LAPORAN UJIAN AKHIR SEMESTER MATA KULIAH
KECERDASAN ARTIFISIAL
IMAGE CLASSIFICATION FROM POULTRY DATA USING
TENSORFLOW
DISUSUN OLEH:
Cahyani Khairunnisa 09031482326001
Fajar Alamsyah 09031482326005
Muhammad Arif Budiman 09031482326008
Hani Julisa Pratama 09031482326009
Farhanah Kencana Maharani 09031482326011
Addlan Ridho Pratama 09031482326027
DOSEN PENGAMPU:
Ken Ditha Tania, M. Kom.
PROGRAM STUDI SISTEM INFORMASI
JURUSAN SISTEM INFORMASI
FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
2023
KATA PENGANTAR
Segala puji syukur akan kehadirat Allah SWT. atas rahmat dan karunia-nya
sehingga kami dapat menyelesaikan Tugas Laporan Ujian Akhir Semester ini yang
berjudul “Image Classificaton from poultry data using TensorFlow”. Tidak lupa
juga kami juga mengucapkan banyak terima kasih kepada ibu Ken Ditha Tania, M.
Kom. yang telah memberikan kami Tugas ini.
Dalam penulisan ini, kami sadar bahwa penulisan Laporan ini jauh dari kata
sempurna. maka dari itu, para pembaca dapat memberikan kritik dan saran untuk
lebih menyempurnakan Laporan ini.
ii
DAFTAR ISI
KATA PENGANTAR.....................................................................................ii
DAFTAR ISI...................................................................................................iii
BAB I PENDAHULUAN.................................................................................1
1. 1 Latar Belakang................................................................................................1
BAB II PENERAPAN TENSORFLOW........................................................3
2. 1 Data Fitur dan Data Class................................................................................3
2.2 Penjelasan Data...............................................................................................4
BAB III METODE PENELITIAN.................................................................6
3. 1 Metode Machine learning dan Deep Learning yang digunakan di TF........6
3.2 Uji Code TensorFlow......................................................................................7
3.2.1 Import data testing...................................................................................7
3.2.2 Import modul python dan TensorFlow....................................................7
3.2.3 Code Perintah........................................................................................12
BAB IV PENUTUP........................................................................................17
4. 1 Kesimpulan................................................................................................17
iii
BAB I
PENDAHULUAN
1. 1 Latar Belakang
Menurut Adithama serta maslim (2019), “Teknologi pada era saat ini
berkembang cukup cepat serta banyak mempengaruhi dan membantu dalam segala
aspek pada kehidupan sebagai manusia. adapun perubahan yang terperinci yang
terjadi pada kehidupan kita yang disebabkan oleh perkembangan teknologi adalah
kemudahan dalam mengakses informasi secara sederhana dan cepat. Ilmu teknologi
informasi juga menuntut kita memilih pilihan dalam membuka diri terhadap
perubahan-perubahan akan perkembangan zaman. dengan begitu, manfaat teknologi
terurut adalah salah satu syarat agar mendapatkan kelebihan dalam kinerja pada
sebuah organisasi”.
Dalam era di mana teknologi terus berkembang pesat, pengolahan gambar dan
pemahaman komputer tentang objek di sekitar kita telah menjadi area penelitian yang
menarik. Salah satu aplikasi yang signifikan dari kecerdasan buatan adalah klasifikasi
gambar, di mana komputer dapat mengidentifikasi dan mengkategorikan objek dalam
gambar. Pada konteks ini, penggunaan teknik pengolahan gambar untuk
mengklasifikasikan unggas dalam dataset menggunakan TensorFlow sebuah
pendekatan yang menggabungkan aspek transfer learning dan arsitektur jaringan saraf
yang ditingkatkan menjadi topik yang menarik. Proyek ini memanfaatkan
1
kemampuan komputer dalam memahami dan mengidentifikasi unggas dalam gambar
menggunakan metode yang dapat diandalkan.
Image Classification from poultry Data using TensorFlow menggambarkan
penggunaan teknologi kecerdasan buatan, terutama dalam domain pengolahan
gambar, untuk memperoleh wawasan yang lebih dalam tentang klasifikasi unggas
dalam dataset. Melalui penerapan TensorFlow, diharapkan penelitian ini dapat
memberikan kontribusi pada peningkatan keakuratan dalam mengklasifikasikan
unggas dari gambar serta membuka peluang untuk pengembangan lebih lanjut di
bidang visi komputer. Dengan fokus pada analisis gambar unggas, penelitian ini
menggabungkan konsep-konsep canggih dalam pembelajaran mesin dan teknik
pengolahan gambar untuk menghasilkan pemahaman yang lebih baik tentang
bagaimana komputer dapat mengenali dan mengklasifikasikan objek pada gambar
unggas.
2
BAB II
PENERAPAN TENSORFLOW
2. 1 Data Fitur dan Data Class
Pada dasarnya, data fitur pada Machine learning terbagi menjadi 2 yaitu
supervised dan unsupervised. supervised adalah pendekatan machine learning yang
menggunakan data-data yang sudah diberi label atau dataset-nya sudah diketahui oleh
perancangnya. Data-data yang telah dirancang ini diharapkan melatih supervise
algoritma untuk klasifikasi ataupun prediksi sebuah kasus dengan akurat. sedangkan,
unsupervised adalah pendekatan machine learning yang menggunakan algoritma
untuk menganalisis dan menemukan pola dari suatu data tanpa bantuan maupun
intervensi dari manusia. umumnya, data fitur unsupervised digunakan untuk klaster
dan asosiasi.
Dalam hal ini, data fitur kami bersifat supervised karena pada data yang kami
peroleh, terdapatnya klasifikasi jenis unggas dari berbagai unggas dan
memperkirakan masing—masing akurasi kemiripan. untuk itu, kami ingin
mengklasifikasi para unggas berdasarkan gambar para unggas yang telah diperoleh.
Data Class adalah data yang diperuntukan untuk menyimpan data. seperti Var
dan Equals. Pada data Class kami, terdapatnya class itik, ayam, kalkun, dan burung
puyuh.
3
2.2 Penjelasan Data
Data yang kami gunakan pada penelitian kali ini merupakan data gambar
ungags yang berjumlah 4 class yaitu class unggas itik, ayam, kalkun, dan burung
puyuh. Pada masing-masing class berjumlah 10 gambar unggas yang berbeda.
Gambar 2.1. Data Google Drive
Pada penilitian ini, kami mengumpulkan data berupa dataset training unggas
yang berisi sekitar 40 foto unggas yang berisi empat sub-direktori satu per kelas yang
terdiri dari itik, ayam, kalkun, dan burung puyuh. berikut tabel dataset training
unggas dapat dilihat dibawah ini.
No Unggas Jumlah Gambar
1. Itik 10
2. Ayam 10
3. Kalkun 10
4. Burung Puyuh 10
4
Tabel 2.1. Data Training Unggas
Setelah melakukan data training, kami melakukan pengumpulan data testing
yang digunakan untuk menguji coba performa model yang didapatkan pada saat
melakukan data training. Data yang digunakan untuk testing merupakan data yang
tidak digunakan untuk training. berikut tabel data testing unggas dapat dilihat
dibawah ini.
No Unggas Jumlah Gambar
1. Itik 3
2. Ayam 3
3. Kalkun 3
4. Burung Puyuh 3
5
BAB III
METODE PENELITIAN
3. 1 Metode Machine learning dan Deep Learning yang digunakan
di TF
Klasifikasi dalam Machine Learning adalah proses di mana model belajar
untuk mengidentifikasi dan mengelompokkan data ke dalam kategori atau kelas yang
telah ditentukan berdasarkan pola atau fitur yang terdapat dalam data. Ini merupakan
bagian dari pembelajaran terawasi di mana model dilatih menggunakan dataset yang
sudah memiliki label atau kelas yang ditargetkan. Tujuannya adalah untuk memahami
pola atau fitur-fitur yang membedakan setiap kelas sehingga model dapat melakukan
prediksi atau klasifikasi terhadap data baru yang belum pernah dilihat sebelumnya
( Raschka & Mirjalili, 2019).
6
Pada Penelitian kali ini, penulis menggunakan metode mechine learning.
Machine learning dapat didefinisikan sebagai aplikasi komputer dan algoritma
matematika yang diadopsi dengan cara pembelajaran yang berasal dari data dan
menghasilkan prediksi di masa yang akan dating. Bidang machine learning berkaitan
dengan pertanyaan tentang bagaimana membangun program komputer agar
meningkat secara otomatis dengan berdasar dari pengalaman (Mitchell, 1997).
Deep Learning (DL) adalah teknik dalam NN yang menggunakan teknik
tertentu seperti Restricted Boltzmann Machine (RBM) untuk mempercepat proses
pembelajaran dalam NN yang menggunakan lapis yang banyak atau lebih dari 7 lapis.
Dengan adanya DL, waktu yang dibutuhkan untuk training akan semakin sedikit
karena masalah hilangnya gradien pada propagasi balik akan semakin rendah.
Tensorflow merupakan framework machine learning yang dibangun secara
opensource dengan dukungan dari perusahaan raksasa teknologi Google. Secara
umum Tensorflow menyediakan antarmuka untuk mengekspresikan algoritma-
algoritma machine learning secara fleksibel dan dapat berjalan pada beragam sistem
(Abadi et al., 2016).
3.2 Uji Code TensorFlow
3.2.1 Import data testing
Gambar 3.1 Import data testing/mounting Google Drive
7
Pada Gambar 3.1 diatas merupakan tahap ke-1 yaitu menghubungkan
program python dan TensorFlow yang dibangun untuk memanggil dataset
yang ingin kita panggil dengan cara menghubungkannya ke Google Drive.
3.2.2 Import modul python dan TensorFlow
Gambar 3.2 Import modul python dan TensorFlow
Pada Gambar 3.2 diatas merupakan tahap ke-2 yaitu modul-modul
(Libraries) python dan TensorFlow yang berguna untuk dapat membangun
dan mengenalkan program yang dibuat.
Berikut Deskripsi terkait modul (Library) yang dipakai:
Tabel 3.1 Deskripsi modul
No Nama Modul Deskripsi
1. Modul ‘os’ Modul bawaan yang
menyediakan Interface untuk
berinteraksi dengan sistem
operasi. Fungsi-fungsi yang
disediakan oleh modul os
memungkinkan Anda
melakukan berbagai operasi
8
terkait sistem operasi, seperti
manipulasi direktori,
mengakses variabel
lingkungan, dan
menggabungkan path, dan
lain-nya.
2. Modul ‘tensorflow as tf’ Digunakan untuk mengimpor
modul TensorFlow ke dalam
program Python Anda.
TensorFlow adalah modul
sumber terbuka yang
digunakan untuk machine
learning dan pengembangan
model kecerdasan buatan.
3. Modul ‘from Digunakan untuk mengimpor
[Link] import
Sequential’ kelas Sequential dari modul
models yang terdapat dalam
pustaka TensorFlow melalui
API Keras. Ini memungkinkan
Anda membuat model neural
network secara sekuensial
dengan menambahkan lapisan
9
satu per satu.
4. Modul ‘from [Link] Digunakan untuk mengimpor
import Dense, Flatten’
dua jenis lapisan yang sering
digunakan dalam pembuatan
model neural network dengan
menggunakan pustaka
TensorFlow dan API Keras.
5. Modul ‘import numpy as np’ Digunakan untuk mengimpor
pustaka NumPy ke dalam
program Python Anda dan
memberikan alias (penamaan
pendek) ke modul tersebut,
dalam hal ini, alias yang
digunakan adalah np. NumPy
adalah pustaka yang sangat
berguna dalam manipulasi dan
perhitungan array numerik.
6. Modul ‘import [Link] as Digunakan untuk mengimpor
plt’ modul pyplot dari modul
Matplotlib dan memberikan
alias (penamaan pendek) ke
modul tersebut, dalam hal ini,
10
alias yang digunakan adalah
plt. Matplotlib adalah pustaka
visualisasi yang umum
digunakan dalam Python
untuk membuat berbagai jenis
plot dan grafik.
7. from PIL import Image Digunakan untuk mengimpor
kelas Image dari pustaka
Pillow (PIL Fork). Pillow
adalah modul Python yang
umumnya digunakan untuk
memproses gambar, termasuk
membuka, menyimpan, dan
melakukan berbagai operasi
pada gambar.
8. from [Link] import drive Digunakan ketika ingin
menghubungkan dataset ke
program python yang
dijalankan pada google colab.
9. from Digunakan untuk mengimpor
[Link]
import ImageDataGenerator kelas ImageDataGenerator
dari modul image yang
11
terdapat dalam modul
TensorFlow melalui API
Keras. ImageDataGenerator
adalah kelas yang
menyediakan fungsionalitas
untuk augmentasi gambar
secara real-time dan
mempersiapkannya sebagai
input untuk model machine
learning.
3.2.3 Code Perintah
1. Defining Class Names and Image Dimensions
Gambar 3.3 Nama Kelas
Pada gambar 3.3 terdapat kelas pada data testing yang mendefinisikan
daftar nama kelas (class names) dan dimensi gambar yang akan
digunakan dalam model.
2. Loading and Processing a Single Image
12
Gambar 3.4 Loading and Processing a Single Image
Pada Gambar 3.4 terdapat perintah yang berfungsi untuk memuat dan
memproses satu gambar yang akan digunakan untuk demonstrasi
prediksi.
3. Predicting a Single Image
Gambar 3.5 Predicting a single Image
Pada gambar 3.5 terdapat perintah yaitu memprediksi kelas gambar
yang dimuat sebelumnya dan menampilkan hasil prediksi. diperintah
ini juga terdapat program menghitung persentase terhadap kelas yang
sudah dikenal.
4. Simple Model dan Compiling the model
13
Gambar 3.6 Simple Model
Pada gambar 3.6 terdapat perintah simple model yang berfungsi untuk
Membuat model neural network sederhana dengan satu lapisan Flatten
dan dua lapisan Dense.
Gambar 3.7 Compile the Model
Sedangkan, pada gambar 3.7 terdapat perintah compile the model yang
berfungsi untuk Mengompilasi model dengan mengkonfigurasi
optimizer, fungsi loss, dan metrik yang digunakan untuk evaluasi
5. Total Images and Accuracy Calculting
Gambar 3.8 Total Images
14
Pada gambar 3.8 terdapat perintah ImageDataGenerator yang
berfungsi untuk memuat dan memproses seluruh dataset, kemudian
menghitung jumlah total gambar dan akurasi total model.
Gambar 3.9 Accuracy Calculting
Pada gambar 3.9 terdapat perintah berupa rumus yang dipakai
untuk menghitung akurasi pada data testing yang terhubung dengan
program python dan TensorFlow.
6. Keluaran Hasil
Gambar 3.10 Keluaran Hasil Akurasi Tunggal
15
Gambar 3.11 Keluaran Semua Hasil Akurasi
Pada gambar 3.10 dan 3.11 hasil keluaran yang berupa
persentase akurasi baik tunggal maupun disetiap kelas pada data
testing yang dipakai. pada gambar ini pula diperolehnya nilai total
akurasi yang bernilai 25%.
16
BAB IV
PENUTUP
4. 1 Kesimpulan
Kesimpulan pada penelitian ini yaitu menghasilkan klasifikasi data gambar
unggas menggunakan TensorFlow dengan dataset 4 Kelas menggunakan data training
dan data testing. pada prediksi data, pada masing-masing kelas mendapat nilai
akurasinya yaitu, Kelas Itik akurasinya adalah 100% untuk nilai tunggal dan 47.54%
yang sudah dites akurasi bersama, sedangkan Kelas ayam, kalkun dan burung puyuh
Mendapati nilai akurasinya sebesar 17.49%.
17
18