KILAT

Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925

DOI: https://doi.org/10.33322/kilat.v11i1.1458

Implementasi Algoritma Convolutional Neural Network

Dalam Mengklasifikasi Kesegaran Buah Berdasarkan Citra Buah
Femil Paraijun1; Rosida Nur Aziza2; Dwina Kuswardani3
1, 2, 3
Institut Teknologi PLN
Menara PLN, Jl. Lkr. Luar Barat, RT.1/RW.1, Duri Kosambi, Kecamatan Cengkareng, Kota
Jakarta Barat, Daerah Khusus Ibukota Jakarta 11750
1
[email protected]

ABSTRACT
The development of Information Technology today, which continues to grow, can help overcome
various problems because matters relating to the advancement of Information Technology have
spread to almost all levels of Indonesian society. Along with the development of Information
Technology, it is also marked by Artificial Intelligence which can simulate human intelligence and
help handle tasks in the real world. By utilizing Information Technology, one of them can be used
in terms of the classification of fruit freshness. Where this classification will be very useful and help
farmers and fruit consumers. This study describes the use of the Convolutional Neural Network to
classify the freshness of the following fruits: apples, oranges, and bananas. And also using six
classes, namely fresh apples, fresh oranges, fresh bananas, unfresh apples, unfresh oranges, and
unfresh bananas. The first thing to do is Convolutional Neuronal Network training using an image
dataset as input using data sources from Kaggle.com, published by "Student at Stony Brook
University, New York, United States". To determine the performance of the various models
produced, the following Confusion Matrix is used: accuracy, precision, and recall. The best average
obtained is 93%.

Keywords: Convolutional Neural Network, fruit freshness, Confusion Matrix

ABSTRAK
Perkembangan Teknologi Informasi pada masa kini yang terus berkembang, dapat membantu
mengatasi berbagai permasalahan karena hal-hal yang berkaitan dengan kemajuan Teknologi
Informasi telah tersebar ke hampir seluruh lapisan masyarakat Indonesia. Seiring perkembangan
Teknologi Informasi juga ditandai dengan Artificial Intelligence yang dapat mensimulasikan
kecerdasan manusia dan membantu menangani tugas – tugas di dunia nyata. Dengan
memanfaatkan Teknologi Informasi salah satunya dapat digunakan dalam hal klasifikasi kesegaran
buah. Dimana pengklasifikasian ini akan sangat bermanfaat dan membantu petani juga konsumen
buah. Penelitian ini menjelaskan penggunaan Convolutional Neural Network untuk klasifikasi
kesegaran buah-buahan berikut : apel, jeruk, dan pisang. Dan juga menggunakan enam kelas yaitu
apel segar, jeruk segar, pisang segar, apel tidak segar, jeruk tidak segar, dan pisang tidak segar.
Pertama yang dilakukan yaitu pelatihan Convolutional Neuronal Network dengan menggunakan
dataset image sebagai input dengan menggunakan sumber data dari Kaggle.com, yang diterbitkan
oleh “Student at Stony Brook University, New York, United States”. Untuk mengetahui kinerja
berbagai model yang dihasilkan, menggunakan Confusion Matrix berikut : accuracy, precision, dan
recall. Rata – rata terbaik yang diperoleh adalah 93%.

Kata kunci: Convolutional Neural Network, kesegaran buah, Confusion Matrix

KILAT | 1
KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

1. PENDAHULUAN
Artificial Intelligence (AI) terutama teknologi machine learning, telah menarik perhatian besar
dalam beberapa tahun terakhir dengan bertujuan untuk memungkinkan komputer untuk
mensimulasikan kecerdasan manusia dan membantu menangani tugas – tugas di dunia nyata [1].
Proses pembelajaran khusus dan terperinci yang dikenal sebagai Deep Learning. Deep Learning
merupakan proses pembelajaran yang menggunakan algoritma yang merujuk pada hukum
matematika yang bekerja seperti otak. Deep Learning digunakan untuk berbagai macam pekerjaan
seperti memprediksi peluang atau peristiwa, mengenali benda atau objek, dan juga dapat
mendiagnosis penyakit [2].
Deep learning memiliki beberapa metode salah satunya Convolutional Neural Network
(CNN). Convolutional Neural Network dapat digunakan atau di implementasikan untuk pengenalan
citra dengan akurasi yang menyaingi manusia pada suatu dataset tertentu dan Convolutional Neural
Network dapat mempelajari jenis fitur yang menghasilkan akurasi yang lebih tinggi dan karenanya
menggunakannya dalam proses klasifikasi [3-6].
Perkembangan Teknologi Informasi pada masa kini yang terus berkembang, dapat membantu
mengatasi berbagai permasalahan. karena hal-hal yang berkaitan dengan kemajuan Teknologi
Informasi telah tersebar ke hampir seluruh lapisan masyarakat Indonesia. Salah satunya dapat
digunakan dalam hal klasifikasi kesegaran buah. Dimana salah satu permasalahannya yaitu dalam
mengklasifikasi kesegaran buah, distributor buah membutuhkan sistem yang dapat
mengklasifikasikan kesegaran buah dengan jumlah buah yang banyak dan membutuhkan waktu yang
cepat. Di Indonesia sendiri kualitas buah nasional dilihat dari sisi konsistensi ukuran, kematangan
petik, warna, rasa dan kesegaran masih jauh dari harapan konsumen karena banyaknya buah yang
tak dapat diklasifikasi kesegarannya secara keseluruhan [7]. Penggunaan teknologi pengenalan buah
dan klasifikasi kesegarannya sangat berguna untuk mengetahui buah mana yang baik dan segar atau
tidak segar, buah mana yang baik untuk kesehatan kita atau buruk dikarenakan buah yang sudah tidak
layak dimakan. Buah selalu menempati tempat penting dalam nutrisi manusia, dan buah memiliki
jumlah pasokan dan perolehan produk yang mudah. Begitu pula proses pemilihan buah yang baik
mulai dari matang dan segar untuk dikonsumsi.
Berdasarkan uraian diatas, penelitian ini bertujuan untuk menerapkan algoritma Convolutional
Neural Network dalam klasifikasi kesegaran buah yang direpresentasikan dalam suatu gambar, dan
untuk membuktikan tingkat keberhasilan metode Convolutional Neural Network dalam melakukan
klasifikasi objek. Penelitian yang dilakukan dapat juga bertujuan untuk memudahkan distributor
buah seperti eskpor & impor dimana mengharuskannya untuk memeriksa kesegaran buah dalam
jumlah yang besar untuk mengetahui kesegaran buah apakah buah itu segar atau tidak.

2. METODE / PERANCANGAN PENELITIAN

Sebelum data dianalisis perlu dilakukan preprocesing data, yang bertujuan untuk melihat
karakteristik data. Karakteristik data merupakan gambaran umum bagaimana komputer membaca
sebuah gambar menjadi array yang bermakna untuk proses selanjutnya seperti adanya efek spasial
dalam data gambar. Untuk melakukan penelitian kali ini yang pertama harus dilakukan adalah
pengumpulan dataset sebagai data latih, data valid, dan data uji. Kemudian ekstraksi ciri dilakukan
pada masing-masing citra latih, citra valid, dan citra uji.
Convolutional Neural Network (CNN) adalah pengembangan dari Multilayer Perceptron
(MLP) yang didesain untuk mengolah data dua dimensi. CNN termasuk dalam jenis Deep Neural
Network karena kedalaman jaringan yang tinggi dan banyak diaplikasikan pada data citra. Pada kasus
klasifikasi citra, MLP kurang sensual untuk digunakan karena tidak menyimpan informasi spasial

2 | KILAT
 KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

dari data citra dan menganggap setiap piksel adalah fitur yang independen sehingga menghasilkan
hasil yang kurang baik [8] .

2.1. Pemodelan Sistem Convolutional Neural Network

Untuk proses pemodelan sistem identifikasi jenis buah dengan memanfaatkan citra buah.

Gambar 1. Pemodelan Sistem CNN

Pada pemodelan sistem dalam penelitian ini pertama dimulai dari akuisisi citra objek yaitu
dapat menggunakan dataset maupun mengambil gambar buah menggunakan kamera. Kemudian,
inputan pertama menggunakan citra tersebut dalam tahapan Convolutional Neural Network (CNN).
Input data yang digunakan dalam penelitian ini adalah buah – buahan dengan kategori segar dan
tidak segar. Jenis buah tersebut yaitu apel, jeruk, dan pisang.
Untuk ukuran gambar sampel adalah 7 x 7 piksel. Perlu dilakukan proses pembelajaran dengan
menggunakan data training atau data latih yang selanjutnya akan dievaluasi. Apabila hasil akurasi
pada proses training belum baik, maka perlu dilakukan perubahan pada parameter, sampel data, dan
lapisan CNN tersebut. Lalu jika hasil akurasi sudah baik, maka akan dilakukan proses pengujian
dengan data validasi. Jika hasil akurasi dari data validasi kurang baik, maka kemungkinan terjadi
overfitting, karena overfitting dapat menyebabkan penurunan akurasi pada model.
Oleh karena itu perlu dilakukan modifikasi lagi agar hasil akurasi dapat menjadi lebih baik.
Dan jika akurasi sudah lebih baik, maka dapat digunakan untuk memproses data testing untuk
nantinya bisa diketahui jenis klasifikasinya.

2.2. Proses Convolutional Neural Network

Untuk tahapan – tahapan yang dilakukan pada proses Convolutional Neural Network antara
lain sebagai berikut.
1. Akuisisi Citra
Akuisisi citra buah merupakan foto buah yang telah di akuisisi sebelumnya menggunakan
kamera handphone dan dipindahkan ke device komputer atau dataset yang sudah ada di
laptop sebagai inputan untuk sistem.
2. Nilai RGB Citra Buah
Sebelum masuk ke perhitungan CNN, dilakukan pengubahan format bentuk gambar menjadi
angka dengan melihat setiap piksel dalam nilai RGB nya.
3. Feature Learning

KILAT | 3
KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

Layer – layer dalam Feature Learning berfungsi untuk mentranslasikan suatu input menjadi
menjadi features berdasarkan ciri dari input tersebut yang berbentuk angka-angka dalam
vektor.
a) Convolutional Layer
Pada layer ini akan menghitung output dari neuron yang terhubung ke daerah
lokal dalam input, titik antara bobot-bobotnya dan wilayah kecil yang terhubung ke
dalam volume input masing – masing akan dihitung. Pada tiap lapisan terdapat
parameter yang dapat diubah, yaitu ukuran filter, stride, dan padding.
Stride yaitu parameter yang menentukan berapa jumlah pergeseran filter. Jika
stride semakin kecil, kemungkinan akan semakin banyak informasi yang di dapat
dari sebuah input, tetapi membutuhkan komputasi yang lebih jika dibandingkan
dengan stride yang besar [9]. Padding merupakan lapisan tambahan yang dapat
ditambahkan ke batas gambar, yaitu dengan menambah ukuran piksel dengan nilai
tertentu disekitar data input agar hasil bidang receptive tidak terlalu kecil sehingga
tidak banyak informasi yang hilang. Nilai ini biasanya nol sehingga disebut dengan
zero padding. Proses konvolusi ini menghasilkan output yang akan digunakan
sebagai input untuk lapisan konvolusi selanjutnya [10].
b) Fungsi Aktivasi Rectified Linear Unit (ReLU)
ReLU merupakan operasi untuk mengenalkan non – linearitas dan
meningkatkan representasi dan model. Fungsi aktivasi ReLU akan menghilangkan
vanishing gradient dengan cara menerapkan fungsi f(x) = max (0,x) atau aktivasi
elemen akan dilakukan saat berada di ambang batas 0 [11].
c) Pooling Layer
Pooling layer merupakan lapisan yang mengurangi dimensi feature map yang
dapat mempercepat komputasi karena parameter yang harus di update semakin
sedikit dan juga dapat mengatasi overfitting. Nilai yang diambil pada pooling adalah
max pooling yaitu nilai tertinggi pada area filter tersebut [9].

4. Klasifikasi
Pada lapisan ini berguna untuk mengklasifikasikan yang telah diektraksi fitur sebelumnya.
a) Flatten
Membentuk ulang fitur (reshape feature map) menjadi sebuah vector agar bisa
kita gunakan sebagai input dari fully-connected layer.
b) Fully Connected Layer
Lapisan ini yaitu lapisan yang terhubung sepenuhnya. Feature map yang
dihasilkan masih berbentuk filter matriks, sehingga harus melakukan flatten agar
bisa digunakan sebagai masukan dari fully connected layer. Pada lapisan ini
memiliki setiap neuron yang akan terhubung ke semua angka dan volume [12].
c) Backpropagation Neural Network
Hasil yang didapat dari fully connected layer akan digunakan sebagai
masukan pada proses neural network. Backpropagation merupakan algoritma
pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak
lapisan untuk mengubah bobot- bobot yang terhubung dengan neuron-neuron yang
ada pada lapisan tersembunyinya [13]. Backpropagation neural network berguna
untuk mengolah data dan menghitung nilai kesalahannya agar nantinya dapat
diklasifikasikan.

4 | KILAT
 KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

d) Softmax
Fungsi aktivasi softmax digunakan untuk mendapatkan hasil klasifikasi.
Fungsi softmax yaitu menghitung probabilitas dari setiap kelas target atas semua
kelas target yang memungkinkan dan akan membantu untuk menentukan kelas target
untuk input yang diberikan [2].

2.3. Klasifikasi Data Uji

Dari hasil pemodelan dengan optimasi terbaik, kemudian dilakukan pengujian untuk
mengklasifikasikan data test yang juga merupakan citra buah. Hasil dari klasifikasi dapat dilihat
melalui confusion matix dan akurasi yang didapat dari penerapan metode Convolutional Neural
Network. Confusion matrix adalah matrix yang merepresentasikan hasil klasifikasi pada suatu dataset
[14]. Confusion Matrix dibuat dalam berbentuk tabel. Tabel ini sering digunakan untuk
menggambarkan performance dari sebuah model klasifikasi. Tabel ini terdiri dari baris dan kolom
sebanyak jumlah kelas yang menunjukkan nilai false positives (FP) yang merupakan data negatif
namun terdeteksi sebagai data positif, false negatives (FN) merupakan data positif yang terdeteksi
sebagai data negatif, true positives (TP) merupakan data positif yang terdeteksi benar, and true
negatives (TN) merupakan jumlah data negatif yang terdeteksi benar [15] Adapun persamaan dari
perhitungan akurasi, confusion matrix yaitu sebagai berikut.
𝑻𝑷 + 𝑻𝑵 (1)
𝒂𝒄𝒄𝒖𝒓𝒂𝒄𝒚 =
𝑻𝑷 + 𝑻𝑵 + 𝑭𝑷 + 𝑭𝑵

Kemudian untuk pengukuran nilai prescision menggunakan persamaan sebagai berikut. Presisi
secara intuitif adalah kemampuan classifier untuk tidak memberi label positif sebagai sampel yang
negatif.
𝑻𝑷 (2)
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 =
𝑻𝑷 + 𝑭𝑷

Selanjutnya untuk pengukuran nilai recall menggunakan persamaan sebagai berikut. Penarikan
secara intuitif adalah kemampuan classifier untuk menemukan semua sampel positif.
𝑻𝑷 (3)
𝑹𝒆𝒄𝒂𝒍𝒍 =
𝑻𝑷 + 𝑭𝑵

Kemudian untuk pengukuran nilai F1 Score menggunakan persamaan sebagai berikut.

𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 × 𝑹𝒆𝒄𝒂𝒍𝒍 (4)
𝑭𝟏 𝑺𝒄𝒐𝒓𝒆 = 𝟐 ×
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 + 𝑹𝒆𝒄𝒂𝒍𝒍

3. HASIL DAN PEMBAHASAN

Hasil dan pembahasan dari penelitian ini adalah sebuah sistem pengujian klasifikasi kesegaran
buah menggunakan algoritma CNN melalui beberapa tahap, sebagai berikut.

KILAT | 5
KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

1. Preprocessing Data
Jumlah data yang diproses adalah 13599 citra buah. Dari 13599 citra buah dibagi menjadi 80%
training set, 10% validation set, dan 10% testing set. Data – data gambar yang telah
dikumpulkan akan dilakukan pre–processing. Disini merupakan tahap pembagian data. Tahap
preprocessing data sendiri meliputi pemisahan data menjadi data training, data validasi, dan
data test disajikan pada Tabel 1.

Tabel 1. Partisi Data

Bagian Jumlah Data Kondisi Jumlah
Data training 10879 Apel Segar 1813
Apel Tidak Segar 1813
Jeruk Segar 1814
Jeruk Tidak Segar 1813
Pisang Segar 1813
Pisang Tidak Segar 1813
Data validasi 1360 Apel Segar 226
Apel Tidak Segar 227
Jeruk Segar 227
Jeruk Tidak Segar 226
Pisang Segar 227
Pisang Tidak Segar 227
Data test 1360 Apel Segar 227
Apel Tidak Segar 227
Jeruk Segar 227
Jeruk Tidak Segar 227
Pisang Segar 226
Pisang Tidak Segar 226

2. Pemodelan Convolutional Neural Network

Pembangunan model Convolutional Neural Network terdiri dari beberapa tahap pengulangan
antara lapisan konvolusi dan lapisan pooling yang diakhiri dengan lapisan fully connected.
Gambar 1 menjelaskan bahwa model dibangun dari empat kali perulangan lapisan konvolusi
dan pooling sebelum diakhiri dengan lapisan fully connected. Berdasarkan output diatas
didapatkan parameter total 756.038, parameter yang dilatih 756.038 serta tidak ada parameter
yang tidak dilatih.

6 | KILAT
 KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

Gambar 1. Pembangunan Model CNN

3. Grafik Pembuatan Model CNN

Tahapan selanjutnya adalah pengaplikasian model yang dibentuk ke dalam data training serta
data validasi dengan beberapa pemilihan banyaknya epochs pada saat mulai konvergen. Setiap
epochs berjalan melalui 340 langkah. Gambar 2 menunjukan tingkat akurasi dan loss function
data training dan validasi dari perjalanan epochs pertama hingga epochs terakhir.

Gambar 2. Grafik Pergerakan epoch

Dari grafik pada gambar 2 diatas menunjukkan bahwa akurasi dari model cenderung naik
dan loss function cenderung menurun untuk data training, sedangkan untuk data validasi,
akurasi dari model cenderung turun dan loss function cenderung naik.

KILAT | 7
KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

4. Klasifikasi
Model yang telah diperoleh kemudian di uji ke dalam data test. Proses pengujian pada
penelitian ini menggunakan evaluasi kinerja yaitu metode Confusion Matrix. Gambar 3
menjelaskan bahwa model yang telah dibangun terdapat 91 data yang salah klasifikasi saat
proses testing.

Gambar 3. Confusion Matrix

Dari gambar 3 diatas, didapatkan rata – rata dari data sebanyak 1360 gambar dengan enam
kelas adalah nilai accuracy sebesar 93,3%, lalu nilai precision sebesar 93,5%, nilai recall
sebesar 93,31%, dan yang terakhir nilai f1-score sebesar 93,34%.

4. KESIMPULAN DAN SARAN

Dalam proses klasifikasi kesegaran buah berdasarkan citra, buah digunakan sebagai objek
penelitian penulis. Buah yang digunakan adalah buah yang segar dan buah yang tidak segar.
Kesegaran buah tersebut dapat dinilai dari warna, tekstur, dan bentuk buah tersebut. Proses yang
dilalui untuk mendapatkan hasil akhir yaitu berupa klasifikasi, menggunakan nilai RGB dari citra
buah yang akan digunakan sebagai inputan konvolusi berupa bentuk filter matriks, lalu hasil filter
matriks tersebut dihitung max pooling nya. Setelah mendapat nilai pooling, filter matriks tersebut
dijadikan flatten untuk digunakan ke fully connected layer. Fully connected layer ini akan digunakan
sebagai inputan untuk neural network yang nantinya hasil akhir atau output an nya yaitu berupa
klasifikasi kesegaran buah. Di dapatkan hasil pengujian menggunakan metode Confusion Matrix
dengan diperoleh nilai accuracy sebesar 93,3%, nilai precision sebesar 93,5%, nilai recall sebesar
93,31%, dan nilai f1-score sebesar 93,34%. Diharapkan aplikasi ini dapat dikembangkan menjadi
aplikasi web yang besar dan nantinya dapa t mendeteksi berbagai jenis buah untuk dideteksi
kesegarannya. Selain itu dapat menggunakan metode lain untuk membandingkan metode mana yang
lebih optimal dan lebih besar akurasi nya dalam proses klasifikasi kesegaran buah berdasarkan citra.
Untuk pengembangan, aplikasi ini diharapkan tidak hanya menampilkan hasil klasifikasi dan
visualisasi melainkan dapat mendukung terlaksananya kemajuan di bidang pertanian maupun
teknologi pangan melalui bidang computer vision.

8 | KILAT
 KILAT
Vol. 11, No. 1, April 2022, P-ISSN 2089-1245, E-ISSN 2655-4925
DOI: https://doi.org/10.33322/kilat.v11i1.1458

DAFTAR PUSTAKA
[1] C. Bai, L. Huang, X. Pan, J. Zheng, and S. Chen, “Optimization of deep convolutional neural
network for large scale image retrieval,” Neurocomputing, vol. 303, pp. 60–67, 2018, doi:
10.1016/j.neucom.2018.04.034.
[2] S. Khan, H. Rahmani, S. A. A. Shah, and M. Bennamoun, “A Guide to Convolutional Neural
Networks for Computer Vision,” Synth. Lect. Comput. Vis., vol. 8, no. 1, pp. 1–207, 2018,
doi: 10.2200/s00822ed1v01y201712cov015.
[3] A. Coates, A. Arbor, and A. Y. Ng, “An Analysis of Single-Layer Networks in Unsupervised
Feature Learning,” Journal of Machine Learning Research, vol.15, pp.215-223, 2011.
[4] D.Jaswal, K.P.Soman, V.Sowrnya,”Image Classification Using Convolutional Neural
Networks,” International Journal of Advancements in Research and Technologu, vol.3, n0.6,
pp. 1661-1668, 2014.
[5] M.A.Hossain & M.S.A.Sajib,”Classification of Image Using Convolutional Neural Networks
(CNN),”Global Journal of Computer Science and Technology: Neural and Artficial
Intelligence, vol. 19, no.2, 2019.
[6] Q.Yin, R.Zhang, and X. Shao, “CNN and RNN Mixed Model for Image Classification,”
presented in MATEC Web of Conference, 2019. DOI:10.1051/matecconf/201927702001.
[7] F. Di, T. Masam, and F. Dan, Seminar Hasil-Hasil Penelitian IPB Tahun 2013. 2013.
[8] W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN)
pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016, doi: 10.12962/j23373539.v5i1.15696.
[9] N. K. Qudsi, R. A. Asmara, and A. R. Syulistyo, “Identifikasi Citra Tulisan Tangan Digital
Menggunakan Convolutional Neural Network (CNN),” Semin. Inform. Apl. Polinema, pp.
48–53, 2020.
[10] M. Castelluccio, G. Poggi, C. Sansone, and L. Verdoliva, “Land Use Classification in
Remote Sensing Images by Convolutional Neural Networks,” pp. 1–11, 2015, [Online].
Available: http://arxiv.org/abs/1508.00092.
[11] J. Kim, O. Sangjun, Y. Kim, and M. Lee, “Convolutional Neural Network with Biologically
Inspired Retinal Structure,” Procedia Comput. Sci., vol. 88, pp. 145–154, 2016, doi:
10.1016/j.procs.2016.07.418.
[12] Q. Zhang, M. Zhang, T. Chen, Z. Sun, Y. Ma, and B. Yu, “Recent advances in convolutional
neural network acceleration,” Neurocomputing, vol. 323, pp. 37–51, 2019, doi:
10.1016/j.neucom.2018.09.038.
[13] B. Sekeroglu and I. Ozsahin, “Detection of COVID-19 from Chest X-Ray Images Using
Convolutional Neural Networks,” SLAS Technol., vol. 25, no. 6, pp. 553–565, 2020, doi:
10.1177/2472630320958376.
[14] R. J. Djuli, A. Y. Mauko, and M. Boru, “Normalisasi Masukan dan target dinormalisasi
dengan membawa data ke bentuk normal dalam rentang nilai antara 0 sampai 1 apabila
fungsi aktivasi yang digunakan adalah,” J. Komput. Inform., vol. 6, no. 1, pp. 53–59, 2018.
[12] F. Pedregosa, R. Weiss, and M. Brucher, “Scikit-learn: Machine Learning in
Python,” vol. 12, pp. 2825–2830, 2011.
[15] A. Kurniadi, “Implementasi Convolutional Neural Network Untuk Klasifikasi Varietas Pada
Citra Daun Sawi Menggunakan Keras,” DoubleClick J. Comput. Inf. Technol., vol. 4, no. 1,
p. 25, 2020, doi: 10.25273/doubleclick.v4i1.5812.

KILAT | 9