Logo KVB

Aplikasi ini dibuat untuk melakukan klasifikasi tiga varietas beras (Basmathi, IR-64, dan Ketan) menggunakan metode CNN (Convolutional Neural Network). Program CNN dibuat menggunakan infrastruktur Google Colaboratory dengan bahasa pemrograman Python dan menggunakan Framework Keras dan TensorFlow yang kemudian disimpan dalam bentuk file Jupyter Notebooks “.ipynb”. File dari program tersebut disimpan ke layanan repositori web development pada Platform Github. Dataset pelatihan dan pengujian disimpan pada Github dengan 3 macam kelas (varietas Beras Basmathi, IR-64, dan Ketan). Masing-masing jumlah dataset pelatihan setiap kelas/varietas sebanyak 75 gambar dengan format ".jpeg" dan untuk dataset pengujian tiap kelasnya sebanyak 15 gambar berformat ".jpeg". Untuk folder dataset pelatihan dan pengujian disimpan pada folder yang terpisah agar memudahkan dalam melihat pengujiannya. Pada program klasifikasi varietas beras ini menggunakan dua macam arsitektur CNN, yaitu arsitektur MobileNetV1 dan VGG-16Net. Teknik yang digunakan pada kedua arsitektur tersebut dilakukan dengan cara Feature Extraction, yaitu mentransfer hasil pelatihan dari kedua arsitektur tersebut yang telah dilatih pada dataset ImageNet dan untuk klasifikasinya (densely connected layer) menggunakan teknik Global Average Pooling.

Setelah dilakukannya pengujian, model dari hasil pengujian tersebut dapat disimpan dan dikonversi ke dalam bentuk file Tensorflow Lite ".tflite". File tersebut nantinya digunakan sebagai model yang dapat diimpor ke Android Studio yang tentunya juga mengimpor library tensorflow pada build.gradle di dalam project Android Studio. Kemudian dibuat aplikasi Android untuk klasifikasi varietas beras dengan menggunakan fasilitas kamera pada perangkat Smartphone Android.

1. Klik salah satu file Jupyter Notebooks (.ipynb) pada repositori ini
2. Klik ikon "Open with Colab"
3. Masuk ke Google Colab dengan akun Google Anda
4. Klik menu "Runtime" kemudian pilih "Run All" atau tekan Ctrl+F9 pada keyboard
5. Tunggu prosesnya hingga selesai (sekitar 5 sampai 10 menit, tergantung koneksi internet dan spesifikasi komputer Anda)
6. Unduh model (.tflite) yang sudah didapat dari proses pelatihan
7. Model tersebut nantinya dapat digunakan pada aplikasi Android.

Dapat dilihat pada link berikut : https://drive.google.com/open?id=1QhBopSm2h9zpCm0mFKeE8hWMV-ExZqz0

Karena ukuran file yang hanya dapat diunggah pada Github maksimal 25 MB maka untuk ukuran file yang lebih besar dari 25 MB disimpan di penyimpanan Google Drive.

1. Model TensorFlow Lite dapat diunduh di link berikut : https://drive.google.com/open?id=1gCcnYz8qjQntyMmykJc0kvpMiSNooWYG
2. Aplikasi Android-nya dapat diunduh pada link : https://drive.google.com/open?id=1N-lEAD4Qg_TQw0yp8N5gGp9lE-Yvs4gv

Aplikasi KVB versi 2.0 ini ditambahkan fitur deteksi dengan mengimpor gambar dari galeri foto. Untuk Pembaruan Aplikasi KVB Versi 2.0 dapat dibuka pada direktori berikut:

1. MobileNetV1 : "rice-varieties-classification/Aplikasi Android/MobileNetV1/Update/"
2. VGG-16Net : "rice-varieties-classification/Aplikasi Android/VGG16Net/Update/"

1. Download aplikasinya di dalam folder Output pada repositori ini. Misal untuk MobileNet : https://github.com/Soedirman-Machine-Learning/rice-varieties-classification/blob/master/Aplikasi%20Android/MobileNetV1/Update/Output/app-debug-mobilenet.apk
2. Buka Aplikasi Klasifikasi Varietas Beras kemudian pilih menu "PENDETEKSI VARIETAS BERAS"
3. Setelah terbuka menu tersebut arahkan kamera ke obyek varietas beras yang ingin dideteksi (jarak kamera dengan obyek sekitar 10 cm), kemudian klik/tap tombol "Deteksi"
4. Hasil prediksi akan muncul beberapa saat setelah menekan tombol "Deteksi" di bagian bawah layar dalam persentase (% diurutkan dari yang tertinggi). Persentase tertinggi merupakan hasil prediksi yang paling mendekati/mirip.

1. Buka Aplikasi
2. Klik menu "PILIH GAMBAR" di bagian atas
3. Cari dan pilih gambar obyek beras yang akan dideteksi
4. Klik tombol Deteksi di bagian bawah
5. Hasil prediksi tertinggi akan muncul beberapa saat setelah menekan tombol "DETEKSI" di bagian bawah layar besertas tingkat probabilitasnya dalam persentase.
6.