Jagung merupakan salah satu komoditas pertanian. Saat ini, jagung tidak hanya digunakan untuk pangan tetapi juga untuk pakan ternak, bahan bakar, dan bahan industri. Bahkan konsumsi jagung sebagai pakan ternak melebihi konsumsi jagung sebagai bahan pangan. Konsumsi jagung sebagai pakan mencapai lebih dari 58%, sedangkan sebagai makanan mencapai 30%. Pada tahun 2018 produksi jagung mencapai lebih dari 30 juta ton, sedangkan produktivitasnya hanya mencapai 52,41%. Kedepan diharapkan produktivitas jagung dapat meningkat agar dapat swasembada jagung.
Permasalahan produksi jagung antara lain pengendalian serangan hama dan penyakit. Hama termasuk ulat, wereng, dan virus. Sedangkan penyakit tersebut adalah hawar, bulai, karat, busuk batang dan tongkol. Untuk mengidentifikasi penyakit jagung, banyak penelitian yang telah dikembangkan, khususnya dalam computer vision.
Saat ini pembelajaran mendalam telah digunakan secara luas. Convolutional Neural Network (CNN) adalah salah satu metode deep learning yang telah menjadi fenomena yang dapat digunakan untuk berbagai tugas pengolahan citra. Peran utama image mining umumnya hanya terbatas pada klasifikasi, clustering dan segmentasi. Hal ini membuat informasi terbatas pada hasil mining tanpa mengetahui detil perbedaan antar kelas atau cluster. Pada penelitian ini dilakukan klasifikasi citra penyakit pada daun jagung. Tujuan dari penelitian ini selain untuk klasifikasi, juga menghasilkan penjelasan secara visual melalui heatmap dari setiap citra yang digunakan untuk ujicoba.
Teknik Class Activation Map (CAM) digunakan untuk penjelasan visual melalui heatmap. Heatmap merupakan tampilan citra atau visualisasi dengan representasi warna yang beragam. Sebelum proses visualisasi dilakukan, klasifikasi citra diselesaikan terlebih dahulu. Proses klasifikasi menggunakan squeezenet sebagai salah satu arsitektur CNN yang paling sederhana dari segi komputasi.
Klasifikasi Citra dan Penjelasan Visual menggunakan SqueezeNet dan Grad-CAM
Squeezenet dibuat oleh DeepScale yang merupakan komunitas Deep Learning dari UC Berkeley dan Stanford University. Squeezenet merupakan arsitektur CNN yang memiliki kemampuan setara dengan Alexnet dalam mengklasifikasikan. Namun, ia memiliki jumlah parameter 50x lebih kecil dibandingkan dengan AlexNet. Oleh karena itu Squeezenet memiliki kecepatan komputasi yang lebih baik dan dapat menikmati perangkat keras dengan kemampuan memori yang lebih rendah. Squeezenet memiliki desain arsitektur yang strategis antara lain: Pertama, mengganti filter 3×3 dengan filter 1×1. Kedua, melalui saluran input squeeze layer dapat dikurangi menjadi 3×3. Kedua hal ini mengurangi jumlah parameter. Langkah ketiga adalah downsampling. Ini untuk mencapai akurasi maksimum dengan kondisi terbatas. Squeezenet memiliki modul api yang terdiri dari lapisan convolutional pemerasan dengan filter 1×1. Selanjutnya ada lapisan perluasan yang memiliki filter 1×1 dan filter 3×3.
Disisi lain metode yang digunakan untuk penjelasan visual yaitu Grad-CAM. Metode ini memberikan penjelasan visual tentang keputusan kelas yang diprediksi oleh model Convolutional Neural Network (CNN). Alasan utama pengembangan Grad-CAM adalah untuk memanfaatkan informasi yang terdapat pada lapisan konvolusi untuk mengetahui bagian-bagian penting dari klasifikasi citra. Grad-CAM adalah pengembangan dari Class Activation Map (CAM). Teknik ini menggunakan nilai gradient loss selama proses backpropagation di CNN. Citra masukan pada CNN mengalami penyusutan jika diolah lebih dalam (deeper layer), namun fiturnya semakin bertambah dari waktu ke waktu. Fitur pada citra daun hanya sebatas mengenali objek penyakit pada daun. Grad-CAM memanfaatkan informasi gradien yang terdapat pada lapisan konvolusi terakhir untuk memperoleh heatmap.
Hasil klasifikasi
Klasifikasi empat kelas penyakit pada daun jagung menghasilkan pengukuran akurasi. Dari lima kali ujicoba dengan nilai epoch yang berbeda menghasilkan peningkatan akurasi dari epoch 5 ke epoch 30. Nilai akurasi masing-masing 85,6%, 86,90%. 91,20 dan 95,20%. Namun pada epoch 50, nilai akurasi menurun menjadi 94,90%. Kelas “spots” merupakan kelas dengan performa terendah, sedangkan kelas “healthy” merupakan kelas terbaik dengan nilai accuracy lebih dari 97%. Hal ini disebabkan tidak seimbangnya data pada masing-masing kelas. Kelas dengan jumlah data terendah menghasilkan performa terendah pula. Untuk penelitian selanjutnya disarankan data tiap kelas diseimbangkan terlebih dahulu. Selanjutnya, untuk tampilan secara visual ditunjukkan pada gambar 1. Visualisasi berupa tampilan heatmap yang terdiri dari warna merah untuk intensitas piksel lebih tinggi hingga biru untuk intensitas piksel lebih rendah.
Penulis: Dr. Riries Rulaningtyas, S.T.. M.T
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://aip.scitation.org/doi/abs/10.1063/5.0111276
Wahyudi Setiawan, and Riries Rulaningtyas, “Visual explanation of maize leaf diaseases classification using squeezenet and gradient-weightedclass activation map”, AIP Conference Proceedings 2679, 020002 (2023)
