Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data
- Ikhwanul Akhmad DLY Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia
-
Jasril Jasril
*
Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru,
Indonesia
- Suwanto Sanjaya Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia
- Lestari Handayani Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia
- Febi Yanto Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia (*) Corresponding Author
Abstract
Konsumsi daging di Indonesia didominasi oleh sapi, kerbau, dan ayam. Namun, beberapa pedagang nakal mencampur daging sapi dengan daging babi sehingga sulit dibedakan oleh masyarakat awam. Beberapa penelitian telah menggunakan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan citra, namun kekurangan data menjadi tantangan. Oleh karena itu, penelitian ini menerapkan teknik augmentasi data pada model CNN Alexnet untuk mengklasifikasikan daging sapi, babi, dan daging oplosan. Penelitian ini menggunakan dua rasio pembagian data yang berbeda, yaitu 90:10 dan 80:20, dengan total 600 data non-augmentasi dan 3000 data augmentasi yang dibagi menjadi tiga kelas. Beberapa hyperparameter diuji untuk mengoptimalkan kinerja model seperti optimizer Adaptive Moment Estimation (Adam), Stochastic Gradient Descent (SGD) dan Propagasi Root Mean Square (RMSprop) serta learning rate 0.1, 0.01, 0.001 dan 0.0001. Hasil menunjukkan bahwa penggunaan data citra augmentasi dengan optimizer Adam dan learning rate 0,001 memberikan accuracy tertinggi sebesar 85,00%. Sementara itu, penggunaan data citra non-augmentasi dengan skenario optimizer RMSprop dan learning rate 0, 0001 menghasilkan performa yang sedikit lebih rendah, yaitu mendapatkan accuracy 80.00%. Keduanya menggunakan perbandingan data 80:20. Teknik augmentasi data berhasil meningkatkan kinerja model deep learning dengan menciptakan data baru dari data yang ada.
Downloads
References
Badan Pusat Statistik, “Peternakan Dalam Angka Tahun 2021,” 2021.
Liputan6.com and A. Apriyono, “Terbongkarnya Modus Penjualan Daging Babi Berkedok Daging Sapi di Lampung - Regional Liputan6.com,” 2021. https://www.liputan6.com/regional/read/4537734/terbongkarnya-modus-penjualan-daging-babi-berkedok-daging-sapi-di-lampung (accessed Dec. 21, 2022).
Anggiono Risky, “Awas, Boraks Bisa Sulap Daging Babi Jadi Daging Sapi,” 2021. https://jabarekspres.com/berita/2021/09/29/awas-boraks-bisa-sulap-daging-babi-jadi-daging-sapi/ (accessed Dec. 21, 2022).
F. U. Amri, “Implementasi Segmentasi Spatial Fuzzy C-Means Pada Identifikasi Citra Daging Sapi dan Babi,” in Seminar Nasional Teknologi Informasi Komunikasi dan Industri, 2018, pp. 206–214.
U. Sudibyo, D. P. Kusumaningrum, E. H. Rachmawanto, and C. A. Sari, “Optimasi Algoritma Learning Vector Quantization (Lvq) Dalam Pengklasifikasian Citra Daging Sapi Dan Daging Babi Berbasis Glcm Dan Hsv,” Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 9, no. 1, pp. 1–10, 2018.
J. Jasril and S. Sanjaya, “Learning Vector Quantization 3 (LVQ3) and Spatial Fuzzy C-Means (SFCM) for Beef and Pork Image Classification,” Indonesian Journal of Artificial Intelligence and Data Mining, vol. 1, no. 2, pp. 60–65, 2018.
A. M. Priyatno, F. M. Putra, P. Cholidhazia, and L. Ningsih, “Combination of extraction features based on texture and colour feature for beef and pork classification,” J Phys Conf Ser, vol. 1563, no. 1, p. 012007, 2020, doi: 10.1088/1742-6596/1563/1/012007.
K. Anwar and S. Setyowibowo, “The Identification of Beef and Pork Using Neural Network Based on Texture Features,” Journal of Engineering Research, 2022.
M. F. Naufal, S. F. Kusuma, K. C. Tanus, R. V. Sukiwun, J. Kristiano, and J. O. Lieyanto, “Analisis Perbandingan Algoritma Klasifikasi Citra Chest X-ray Untuk Deteksi Covid-19,” Teknika, vol. 10, no. 2, pp. 96–103, 2021.
K. L. Kohsasih, M. D. A. Rizky, T. Fahriyani, V. Wijaya, and R. Rosnelly, “ANALISIS PERBANDINGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DAN ALGORITMA MULTI-LAYER PERCEPTRON NEURAL DALAM KLASIFIKASI CITRA SAMPAH,” Jurnal TIMES, vol. 10, no. 2, pp. 22–28, 2021.
G. A. Lustiansyah, H. Prasetyo, B. K. Widodo, B. A. Wibisono, and D. S. Prasvita, “Analisis Perbandingan Algoritma SVM dan CNN Untuk Klasifikasi Buah,” in Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya, 2021, pp. 1–11.
A. Deshpande, V. v Estrela, and P. Patavardhan, “The DCT-CNN-ResNet50 architecture to classify brain tumors with super-resolution, convolutional neural network, and the ResNet50,” Neuroscience Informatics, vol. 1, no. 4, p. 100013, 2021, doi: https://doi.org/10.1016/j.neuri.2021.100013.
G. Y. Alhafis, “Klasifikasi Citra Daging Sapi dan Daging Babi Menggunakan Ekstraksi Ciri dan Convolutional Neural Network,” Klasifikasi Citra Daging Sapi dan Daging Babi Menggunakan Ekstraksi Ciri dan Convolutional Neural Network, vol. 9, no. 3, pp. 653–660, 2022.
D. Efendi, J. Jasril, S. Sanjaya, F. Syafria, and E. Budianita, “Penerapan Algoritma Convolutional Neural Network Arsitektur ResNet-50 untuk Klasifikasi Citra Daging Sapi dan Babi,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 3, pp. 607–614, 2022.
A. H. Artya, “Implementasi Convolutional Neural Network Untuk Klasifikasi Daging Menggunakan Fitur Ekstraksi Tekstur dan Arsitektur AlexNet,” IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI DAGING MENGGUNAKAN FITUR EKSTRAKSI TEKSTUR DAN ARSITEKTUR ALEXNET, vol. 9, no. 3, pp. 635–643, 2022.
Y. P. Irawan and I. Susilawati, “Klasifikasi Jenis Aglaonema Berdasarkan Citra Daun Menggunakan Convolutional Neural Network (CNN),” Journal Of Information System And Artificial Intelligence, vol. 2, no. 2, pp. 64–70, 2022.
S. Kollem et al., “AlexNet-NDTL: Classification of MRI brain tumor images using modified AlexNet with deep transfer learning and Lipschitz-based data augmentation,” Int J Imaging Syst Technol, 2023.
K. M. Hosny, M. A. Kassem, and M. M. Foaud, “Classification of skin lesions using transfer learning and augmentation with Alex-net,” PLoS One, vol. 14, no. 5, p. e0217293, 2019.
R. Gharbia, N. E. M. Khalifa, and A. E. Hassanien, “Land cover classification using deep convolutional neural networks,” in Intelligent Systems Design and Applications: 20th International Conference on Intelligent Systems Design and Applications (ISDA 2020) held December 12-15, 2020, 2021, pp. 911–920.
C. U. Khasanah, A. K. Pertiwi, and F. Witamajaya, “Implementasi Data Augmentation Random Erasing dan GridMask pada CNN untuk Klasifikasi Batik,” SISFOTENIKA, vol. 13, no. 1, pp. 16–28, 2023.
E. Cano, J. Mendoza-Avilés, M. Areiza, N. Guerra, J. L. Mendoza-Valdés, and C. A. Rovetto, “Multi skin lesions classification using fine-tuning and data-augmentation applying NASNet,” PeerJ Comput Sci, vol. 7, p. e371, 2021.
K. Amalia, R. Magladena, and S. Saidah, “Klasifikasi Penyakit Tumor Otak Pada Citra Mri Menggunakan Metode CNN Dengan Arsitektur Alexnet,” eProceedings of Engineering, vol. 9, no. 6, 2023.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data
Pages: 1176-1185
Copyright (c) 2023 Ikhwanul Akhmad DLY, Jasril Jasril, Suwanto Sanjaya, Lestari Handayani, Febi Yanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
