Vol.4 No.

1, Juni 2020
e-ISSN : 2597-3673 (Online)
p-ISSN : 2579-5201 (Printed)

IMPLEMENTASI MACHINE LEARNING PADA SISTEM PETS IDENTIFICATION

MENGGUNAKAN PYTHON BERBASIS UBUNTU

Fahrizal1, Faiz Octa Reynaldi2, Noer Hikmah3

Program Studi Sistem Informasi, Universitas Bina Sarana Informatika1
Program Studi Teknologi Komputer, Universitas Bina Sarana Informatika 2
Program Studi Sistem Informasi, Universitas Bina Sarana Informatika 3
[Link]@[Link].id1, faizoctareynald@gmail.com2 ,[Link]@[Link].id3

Abstrak
Pets Identification adalah salah satu jenis sistem identifikasi “Biometrik” Sistem ini mengidentifikasikan hewan dengan
fitur khusus pada bagian tertentu yang membedakan satu hewan dengan hewan lainnya. Dalam penelitian ini
diimplementasikan dengan Machine Learning. Machine Learning itu sendiri adalah salah satu bagian dari Artificial
Intelligence (Kecerdasan Buatan) yang fokus pada pengembangan sebuah sistem yang mampu belajar secara otomatis
tanpa harus diprogram oleh manusia. Dengan kata lain, Machine Learning akan belajar dari data yang terdapat dalam
sebuah dataset. Proses training dilakukan oleh Machine Learning dengan algoritma Convolutional Neural Network
(CNN). Hasil penelitian menunjukkan bahwa akurasi dari Pet’s Identification sangat tergantung dari algoritma Machine
Learning dan kualitas dataset yang diproses oleh Machine Learning.
Kata Kunci: Python, Machine Learning, Pets Identification, Linux

I. PENDAHULUAN Machine Learning telah sukses dalam

memprediksi aplikasi keuangan dan banyak penelitian
Didalam sebuah Machine Learning terdapat beberapa dalam memprediksi kebangkrutan seperti yang
parameter yang mempunyai karakter objek dengan dikatakan oleh (Barboza, Kimura, & Altman, 2017)
metode klasifikasi ini. Ada dua tahap dalam “Machine learning models have been very successful
pembuatan model klasifikasi ini yaitu yang pertama in finance applications, and many studies examine
adalah melatih data dan membedakannya dengan kelas their use in bankruptcy prediction”.
yang berbeda, dan yang kedua adalah klasifikasi Maksud dari pembuatan program ini adalah
mengevaluasi objek yang tidak dikenal. Seperti yang untuk mengimplementasikan Kecerdasan Buatan pada
dikutip oleh (Matuska, Hudec, Kamencay, Benco, & Program Pets Identification agar komputer dapat
Zachariasova, 2014) mengidentifikasi suatu objek, dalam hal ini yaitu
untuk mengidentifikasi hewan kucing dan anjing.
“The collection of features or parameters Program implementasi ini akan dikembangkan secara
characterizing the object by classifications methods to lanjut untuk keperluan Internet of Things di masa
handle classification task are used. There are two yang akan datang.
phases of creation a classification model. First, Telah ada penelitian mengenai aplikasi
training data collections are used to set up the kecerdasan buatan untuk memecahkan berbagai
classification model parameters to distinguish permasalahan diantaranya dalam bisnis untuk
different classes. Then, the classifier is able to memprediksi kebangkrutan yang tujuannya untuk
regarding to classification model parameters menilai tingkat risiko dan kegagalan, selain itu dalam
successfully evaluate an unknown objects to the dunia digital yang membuat sistem komputer seperti
appropriate class [4], [5]. In this work, for hidup, dapat berpikir dan memiliki intelegensi.
classification model combination bag of keypoints and Berdasarkan berdasarkan hal tersebut penulis
Support Vector Machine methods are used.”. bermaksud untuk menguji apakah machine learning
dapat diaplikasikan dalam sistem pets identification
Komputer dapat berpikir seperti hal nya manusia untuk mengidentifikasi hewan kucing dan anjing dan
dan komputer dapat membantu kita untuk memahami disajikan dalam bentuk sebuah program aplikasi.
bagaimana manusia berpikir seperti yang dikutip oleh Maksud dari pembuatan program ini adalah untuk
(Warwick & Shah, 2016) “What we do is agree with mengimplementasikan Program kecerdasan buatan ke
Turing that engineering a machine to think can help us dalam sistem Pets Identification pada komputer agar
to understand how it is that we humans think”. komputer dapat mengidentifikasi suatu objek, dan

JISICOM (Journal of Information System, Informatics and Computing)

[Link] Telp.+62-21-3905050,
e-mail: jisicom@[Link] , jisicom2017@[Link]

86
 Vol.4 No.1, Juni 2020
e-ISSN : 2597-3673 (Online)
p-ISSN : 2579-5201 (Printed)

program implementasi ini akan dikembangkan secara solusi yang lebih lengkap dan tepat sasaran. dalam
lanjut untuk keperluan Internet of Things di masa jurnal ini menggunakan teknik text tagging dan
yang akan datang. annotation dalam mengintegrasikan kedua jenis data
Tujuan dari pembuatan program ini adalah untuk tersebut. Teknik tersebut merupakan teknik yang
pengembangan berikut nya yang akan digabungkan populer dalam natural processing techniques untuk
dengan Internet of Things agar manusia dapat preprocessing data tidak terstruktur agar bisa dengan
berkolaborasi dengan mesin sehingga pekerjaan mudah diintegrasikan dengan data terstruktur.
Manusia lebih mudah, efektif, efisien dari 2. Jurnal berjudul “Machine learning models and
sebelumnya. bankruptcy prediction” yang ditulis oleh Flavio
Tujuan berikutnya dari pembuatan program ini adalah Barboza, Herbert Kimura dan Edward Altman. Dalam
untuk mengembangkan penelitian yang sudah jurnal tersebut, dilakukan pengujian model machine
dilakukan sebelum nya oleh (Matuska, Hudec, learning (support vector machines, bagging, boosting,
Kamencay, Benco, & Zachariasova, 2014). dan random forest) untuk memprediksi kebangkrutan
satu tahun sebelumnya, dan membandingkan
II. LITERATUR DAN METODE kinerjanya dengan hasil dari analisis diskriminan,
regresi logistik, dan jaringan saraf. mereka
Agar lebih terarah, metodologi yang digunakan dalam menggunakan data dari 1985 hingga 2013 pada
penelitian ini yaitu: perusahaan-perusahaan Amerika Utara,
1. Metode Wawancara mengintegrasikan informasi dari database Salomon
Yaitu penulis melakukan wawancara langsung kepada Center dan Compustat, menganalisis lebih dari 10.000
yang berpengalaman di bidang kecerdasan buatan. pengamatan tahun-perusahaan. Hasil utama dari
2. Metode Kepustakaan penelitian ini adalah peningkatan substansial dalam
Yaitu dengan mencari dan mempelajari buku-buku akurasi prediksi menggunakan teknik machine
serta beberapa e-book dan jurnal-jurnal yang sesuai learning terutama ketika, di samping variabel Z-skor
yang penulis cari di internet guna memberi Altman asli, mereka menyertakan enam indikator
pemahaman lebih baik terhadap topic penulisan dan keuangan yang saling melengkapi. Berdasarkan
memperkaya pengetahuan penulis tentang kecerdasan Carton dan Hofer (2006), mereka menggunakan
buatan. variabel baru, seperti margin operasi, perubahan laba
3. Metode Observasi atas ekuitas, perubahan harga menurut buku, dan
Yaitu penulis melakukan pengamatan secara langsung ukuran pertumbuhan yang terkait dengan aset,
pada yang ahli di bidang kecerdasan buatan serta penjualan, dan jumlah karyawan, sebagai variabel
mempraktekkan secara langsung dalam proses prediktif. Model pembelajaran mesin menunjukkan,
pembuatan sistem pet’s identification ini. rata-rata, sekitar 10% lebih akurat dalam kaitannya
dengan model tradisional. Membandingkan model
Fungsi dibuat Program ini adalah untuk membuat terbaik, dengan semua variabel prediktif, teknik
mesin kecerdasan buatan yang dapat dilatih dengan pembelajaran mesin yang terkait dengan random
cara menggunakan himpunan data dan diproses oleh forest menghasilkan akurasi 87%, sedangkan regresi
mesin kecerdasan buatan ini untuk mengidentifikasi logistik dan analisis diskriminan linear masing-masing
sebuah gambar berupa hewan Anjing dan hewan menghasilkan akurasi 69% dan 50%, dalam sampel
Kucing melalui Perangkat Smartphone Android pengujian. mereka menemukan bahwa model bagging,
menggunakan aplikasi Droidcam. boosting, dan random forest mengungguli teknik
Sebagai referensi dalam penelitian ini memperoleh lainnya, dan bahwa semua akurasi prediksi dalam
literatur dari beberapa buku dan penelitian sampel pengujian meningkat ketika variabel tambahan
sebelumnya yaitu: dimasukkan.
1. Jurnal dengan judul “Integrasi Data Terstruktur 3. Jurnal berjudul “Classification of Wild Animals
dan Tidak Terstruktur dalam Sistem Inteligensi Based on SVM and Local Descriptors”. yang ditulis
Bisnis” yang ditulis oleh Choerul Afifanto, dalam oleh Slavomir Matuska, Robert Hudec, Patrik
jurnal tersebut disebutkan bahwa terdapat dua jenis Kamencay, Miroslav Benco,Martina Zachariasova.
data yaitu data yang terstruktur dan data yang tidak Dalam tulisan ini disajikan metode baru untuk
terstruktur. Data terstruktur dan tidak terstruktur pengenalan objek berdasarkan deskriptor lokal hybrid
apabila diintegrasikan dalam menganalisa suatu . Metode ini menggunakan kombinasi dari beberapa
permasalahan akan memberikan pemahaman dan pendekatan yang terdiri atas dua bagian (SIFT - Scale-

JISICOM (Journal of Information System, Informatics and Computing)

[Link] Telp.+62-21-3905050,
e-mail: jisicom@[Link] , jisicom2017@[Link]

87
 Vol.4 No.1, Juni 2020
e-ISSN : 2597-3673 (Online)
p-ISSN : 2579-5201 (Printed)

invariant feature transform, SURF - Speeded Up IV. HASIL DAN PEMBAHASAN (10 pt, 2
Robust Features). Penerapan metode hybrid yang kolom)
disajikan ditunjukkan pada beberapa gambar dari
dataset. Kelas Dataset mewakili binatang besar yang Berisi tentang hasil penelitian dan atau pengembangan
terletak di negara Slovakia, yaitu serigala, rubah, yang akan dilakukan dalam konsep tulisan
beruang coklat, rusa dan babi hutan. Metode yang berdasarkan apa yang di kemukakan pada
disajikan dapat juga digunakan di area lain dari pendahuluan.
klasifikasi gambar dan ekstraksi fitur. Hasil percobaan
menunjukkan, bahwa kombinasi deskriptor lokal Penelitian yang bersifat ini aplikatif dalam bentuk
memiliki efek positif untuk pengenalan objek. eksperimen. Langkah awal yang diperlukan adalah
4. Buku berjudul “Applied Natural Language membuat sebuah aplikasi yang dapat membedakan
Processing with Python. Implementing Machine sebuah objek. Dalam hal ini yang menjadi objek
Learning and Deep Learning Algorithms for Natural adalah sebuah objek hewan Anjing dan hewan
Language Processing yang disusun oleh Beysolow II, Kucing. Pada Pembahasan ini akan diuraikan jenis dan
T. dalam buku tersebut membahas tentang cara mendapatkan data, serta cara analisis data dan
pemanfaatan kemampuan AI untuk natural language kerangka penelitian. Dalam spesifikasi rancangan
processing (NLP), yang dapat melakukan tugas-tugas program ini memberikan suatu gambaran mengenai
seperti pemeriksa ejaan, peringkasan teks, klasifikasi program yang dibuat, terdiri dari spesifikasi bentuk
dokumen, dan generasi bahasa alami. Dalam buku masukan, spesifikasi bentuk keluaran, spesifikasi file,
tersebut, mempelajari keterampilan untuk menerapkan spesifikasi program dan flowchart. Untuk penjelasan
metode ini dalam infrastruktur yang lebih besar untuk lebih lanjut tentang spesifikasi rancangan program ini
mengganti kode yang ada atau membuat algoritma akan dijelaskan dalam tabel dan pembahasan berikut:
baru. Penerapan Natural language processing
menggunakan Python dimulai dengan meninjau
konsep-konsep machine learning yang diperlukan Tabel 1. Spesifikasi Rancangan Program
sebelum membahas berbagai masalah NLP. Setelah
membaca buku tersebut, Pembacanya akan memiliki
keterampilan untuk menerapkan konsep-konsep ini di No Nama Fungsi Media
lingkungan sendiri. Directory
Dalam penelitian ini adalah mengembangkan
dan mengimplementasikan penemuan seperti yang 1 Tensorflo Sebagai direktori Nautilus
sudah dilakukan sebelumnya oleh (Matuska, Hudec, w Model untuk menyimpan file
Kamencay, Benco, & Zachariasova, 2014) dengan Research suatu file dari manager
paper yang berjudul Classification of Wild Animals Object algoritma CNN,
based on SVM and Local Descriptors, dari
pengembangan penelitian paper international yang Detection program
sudah dilakukan sebelumnya adalah pendeteksian generate_tfrecord.py,
objek secara realtime dan terintegrasi dengan program
smartphone berbasis operasi sistem Android. Dalam xml_to_csv.py,
peninjauan kasus ini hal yang perlu diperhatikan yaitu program
bagaimana, suatu himpunan data berupa gambar export_inference_gra
masukan yang telah di input, disimpan, dan diproses
[Link], program
dapat dikenali kembali dengan akurat.
[Link], direktori
III. METODE Spesifikasi Bentuk
Berisi tentang cara penelitian, metode pengambilan data, Masukan, direktori
metode pengembangan, metode analisis, metode training, direktori
perancangan, metode pengujian atau metode lain yang di data, dan direktori
gunakan untuk pengolahan data serta arah konsep yang di images.
kembangkan merujuk pada metode tertentu.
2 training Sebagai direktori Nautilus

JISICOM (Journal of Information System, Informatics and Computing)

[Link] Telp.+62-21-3905050,
e-mail: jisicom@[Link] , jisicom2017@[Link]

88
 Vol.4 No.1, Juni 2020
e-ISSN : 2597-3673 (Online)
p-ISSN : 2579-5201 (Printed)

Flowchart adalah stuatu bagan dengan simbol

untuk menyimpan file file
tertentu yang mengambarkan urutan proses secara
berformat pbtxt, manager mendetail dan hubungan suatu proses dan proses lainnya
Checkpoint training, didalam suatu program. Berikut adalah Flowchart dari
dan tensorboard program Pets identification :
graph loss function.

3 images Sebagai direktori Nautilus

untuk menyimpan file file
gambar yang akan manager
dilatih oleh mesin dan
berisi folder test dan
train juga terdapat file
xml dan gambar
hewan Kucing dan
hewan Anjing

Diagram HIPO
Dalam spesifikasi rancangan program dibutuhkan
suatu struktur untuk memahami fungsi dari suatu
sistem, input ke suatu program dan output yang
dihasilkan oleh suatu program tersebut, berikut ini
adalah gambar HIPO dibawah ini :

Gambar 2. Diagram Flowchart

Pengujian Black Box Testing

Black box testing dilakukan untuk memastikan apakah
suatu masukan dapat menjelaskan proses yang tepat
dan menghasilkan output yang sesuai dengan
rancangan. Berikut adalah merupakan table pengujian
black box testing.

Tabel 2. Pengujian BlackBox Testing

Gambar 1. Diagram HIPO
No Skenari Test Hasil yang Ketera
FlowChart

JISICOM (Journal of Information System, Informatics and Computing)

[Link] Telp.+62-21-3905050,
e-mail: jisicom@[Link] , jisicom2017@[Link]

89
 Vol.4 No.1, Juni 2020
e-ISSN : 2597-3673 (Online)
p-ISSN : 2579-5201 (Printed)

o Case diharapkan ngan

1 Proses Mena Tampil Home Berhasil

Input mpilk
Gambar an
Prose
s
Input
Gamb
ar

2 Pengena Mena Proses Berhasil

lan mpilk Identifikasi
Gambar an
Kucing Prose
Dengan s
Machin Inden Gambar 3. Identifikasi Gambar Anjing
e tifikas
Learnin i Saat menginput gambar kucing maka program akan
g memproses dan mengidentifikasi gambar tersebut.
Tampilan diatas menunjukan bahwa komputer mengenali
3 Pengena Mena Proses Berhasil 99 % gambar tersebut adalah hewan anjing. Begitu pula
lan mpilk Identifikasi dengan gambar dibawah ini. Komputer dapat
Gambar an mengidentifikasi 99 % gambar tersebut adalah hewan
Anjing Prose kucing.
Dengan s
Machin Inden
e tifikas
Learnin i
g

Dari Hasi Pengujian Diatas maka didapatkan

hasil dengan menggunakan machine learning untuk
menentukan gambar tersebut 99 pesen adalah benar maka
didapat tampilan dibawah ini.

Gambar 4. Identifikasi Gambar Kucing

JISICOM (Journal of Information System, Informatics and Computing)

[Link] Telp.+62-21-3905050,
e-mail: jisicom@[Link] , jisicom2017@[Link]

90
 Vol.4 No.1, Juni 2020
e-ISSN : 2597-3673 (Online)
p-ISSN : 2579-5201 (Printed)

KESIMPULAN [4] Ernst, M. D. (2017). Natural language is a

programming language: Applying natural
language processing to software
Berdasarkan pembahasan dan pengujian development. 2nd Summit on Advances in
Pemrograman Pets Identification, maka dapat Programming Languages (SNAPL’17), 71(4),
menghasilkan kesimpulan bahwa Machine Learning 1–14.
adalah sebagai studi yang memberikan kecerdasan buatan [Link]
memiliki kemampuan untuk belajar tanpa deprogram. 4
Kemudian himpunan data yang tidak baik dapat [5] Gour, R. (2017). Train and Test Set in Python
menghasilkan ketidak akuratan dalam mendeteksi suatu
Machine Learning - How to Split.
[Link] terakhir bahwa situasi pencahayaan, Kualitas
perangkat kamera, dan sudut pengambilan gambar [Link]
berperan penting untuk meningkatkan nilai akurasi dalam and-test-set-in-python-machine-learning-
mengenal suatu objek. how-to-split-58029a0d657b
[6] Jordan, M. I., & Mitchell, T. M. (2015). Machine
learning: Trends, perspectives, and prospects.
Science, 349(6245), 255–260.
SARAN
[Link]
Program Pets Identification ini merupakan sebuah [7] Machine Learning in Radiation Oncology. (2015).
aplikasi alternatif bertujuan untuk mengenali suatu objek In I. El Naqa, R. Li, & M. J. Murphy (Eds.),
hewan anjing dan hewan kucing melalui perangkat Machine Learning in Radiation Oncology.
kamera Smartphone, maka dari itu diperlukan komputer [Link]
dengan spesifikasi yang memadai agar dapat berjalan [8] Nelli, F. (2018). Python Data Analytics. In Python
dengan baik. Program ini menggunakan perangkat yang
Data Analytics: With Pandas, NumPy, and
memiliki resolusi pixel gambar lebih besar dan lebih baik
agar proses pendeteksian lebih akurat. Matplotlib: Second Edition.
[Link]
Berisi tentang hasil penelitian secara umum dicapai dan [9] Peartman, S. (2019). What is Data Preparation,
kontribusi bagi pengembangan ilmu juga untuk penelitian [Link]
berikutnya. data-preparation/
[10] Rusk, N. (2016). Deep learning. Nature Methods,
REFERENASI
13(1), 35–35.
[1] Afifanto, C. (2015). Integrasi Data Terstruktur dan [Link]
Tidak Terstruktur dalam Sistem Inteligensi [11] Warwick, K., & Shah, H. (2016). Can machines
Bisnis Integrasi Data Terstruktur dan Tidak think? A report on Turing test experiments at
Terstruktur dalam Sistem. (July). the Royal Society. Journal of Experimental &
[Link] Theoretical Artificial Intelligence, 28(6),
[2] Barboza, F., Kimura, H., & Altman, E. (2017). 989–1007.
Machine learning models and bankruptcy [Link]
prediction. Expert Systems with 826
Applications, 83, 405–417. [12] Wibowo, A. (2017). 10 Fold-Cross Validation.
[Link] [Link]
[3] Beysolow II, T. (2018). Applied Natural Language cross-validation/
Processing with Python. In Applied Natural
Language Processing with Python.
[Link]

JISICOM (Journal of Information System, Informatics and Computing)

[Link] Telp.+62-21-3905050,
e-mail: jisicom@[Link] , jisicom2017@[Link]

91