306| Universitas Multi Data Palembang
IDENTIFIKASI DAGING SEGAR BERDASARKAN CITRA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
Muhammad Fajri Septian Dwi Cahyo1*), Daniel Udjulawa2
1,2Program Studi Informatika, Fakultas Ilmu Komputer Dan Rekayasa, Universitas Multi Data Palembang
1[email protected], 2[email protected]
Kata kunci:
adam; CNN; daging; optimizer;
alexnet
Abstract: Meat is one type of food and consumption material for humans, the usual way of processing it is by burning or boiling it. This study applies the Convolutional Neural Network method with the AlexNet architectural model to identify fresh meat and spoiled meat. The dataset in this study is divided into 2 classes, namely the fresh class which has 948 images and the spoiled class which has 948 images with a total of 1896 images. The dataset is divided by 80% for training data of 1516 images and 20% for validation data of 380 images which are resized to a size of 227 x 227 pixels. In the training process carried out using the ReLU activation function and the sigmoid activation function with the adam optimizer, the learning rate is 0.0001, the dropout is 40%, the batch size is 16, and the epoch is 20. The test results obtained an average accuracy of 97.89%
Abstrak: Daging merupakan salah satu jenis makanan dan bahan konsumsi bagi manusia, cara pengolahan yang biasa dilakukan yaitu dengan dibakar atau direbus. Pada penelitian ini menerapkan metode Convolutional Neural Network dengan model arsitektur AlexNet pada identifikasi daging segar dan daging busuk. Dataset pada penelitian ini terbagi menjadi 2 kelas yaitu kelas fresh yang memiliki 948 citra dan kelas spoiled yang memiliki 948 citra dengan jumlah total citra sebanyak 1896 citra. Dataset dibagi sebesar 80%
untuk data latih sebanyak 1516 citra dan 20% untuk data validasi sebanyak 380 citra yang di resize menjadi ukuran 227 x 227 piksel. Pada proses training yang dilakukan menggunakan fungsi aktivasi ReLU dan fungsi aktivasi sigmoid dengan optimizer adam, learning rate 0.0001, dropout 40%, batch size sebesar 16, dan epoch sebanyak 20. Pada hasil pengujian diperoleh akurasi rata-rata yaitu sebesar 97,89%
Nama Belakang Penuls. (2023).Judul Naskah. MDP Student Conference 2023
PENDAHULUAN
Latar Belakang
Salah satu makanan dan menjadi bahan konsumsi bagi manusia adalah daging. Banyak cara untuk memasak daging salah satunya dengan cara dibakar, direbus ataupun diolah dengan cara lainnya. Daging mempunyai protein yang tinggi didalamnya. Protein tersebut dapat meningkatkan kecerdasan dan menambah stamina yang sangat dibutuhkan manusia untuk melakukan kegiatan kehidupan sehari-hari [1]. Daging sapi merupakan daging yang paling sering dibeli dan menjadi favorit bagi masyarakat indonesia. Dengan banyaknya angka permintaan daging sapi untuk konsumsi masyarakat dan tingginya harga daging sapi menyebabkan para oknum pedagang nakal yang menjual daging sapi dengan mencampurkan daging sapi yang masih segar dengan daging sapi yang sudah tidak segar lagi. Hal tersebut sangatlah tidak sehat sehingga
Universitas Multi Data Palembang | 307 dapat menyebabkan sakit diare dan keracunan bagi masyarakat yang mengkonsumsi daging yang sudah tidak segar lagi atau daging busuk. Dari tindakan tersebut dapat merugikan dan membahayakan bagi kalangan masyarakat [2]. Maka dari itu diperlukan sistem untuk mengidentifikasi kesegaran daging sapi. Salah satu cara dalam identifikasi daging tersebut dengan menggunakan kecerdasan buatan salah satunya yaitu CNN.
Hanya dengan sebuah citra, CNN dapat mengidentifikasi kesegaran pada daging tersebut.
Convolution Neural Network (CNN) sering digunakan untuk mengklasifikasikan kelas dari citra tersebut berdasarkan fitur-fitur yang dikenalinya [3]. CNN terdiri dari neuron neuron yang tersusun sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan tinggi (pixels) dan memiliki weight, bias dan fungsi aktivasi. CNN merupakan salah satu metode yang dapat mengenali objek untuk mengidentifikasi dalam bentuk citra dan merupakan turunan dari jaringan syaraf tiruan (feedforward) yang menggunakan konvolusi sebagai operasi dasar dalam pemrosesannya[4]. Metode ini merupakan bagian dari deep learning yang menggunakan lapisan konvolusi untuk mengonvolusi suatu input dengan filter [5].
Konvolusi merupakan proses untuk pengaplikasian sebuah fungsi pada keluaran dari fungsi lain yang diulang sehingga menghasilkan feature map [6]. Dalam garis besar, CNN memanfaatkan proses konvolusi dengan menggerakkan sebuah filter dengan ukuran tertentu kesebuah gambar sehingga sistem mendapat informasi representatif baru yang dihasilkan dari perkalian bagian gambar dengan filter yang ditentukan [4]. CNN memiliki arsitektur, salah satu arsitektur yang ada di CNN yaitu Alexnet.
Alexnet dibuat oleh Alex Krizhevsky dan pernah menang ditahun 2012 dalam kompetisi ImageNet Large Scale Visual Recognition Challenge. Ada delapan lapisan dalam arsitektur alexnet diantaranya lima lapisan konvolusi untuk ekstrasi fitur dan dua lapisan fully connected dan satu lapisan softmax untuk klasifikasi [8]. Arsitektur alexnet dikenal sebagai salah satu jaringan saraf tiruan yang memiliki performa terbaik pada saat itu, dan menjadi inspirasi bagi jaringan saraf tiruan selanjutnya. Terdapat penelitian yang menggunakan alexnet diantaranya, penelitian dengan judul “Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi” ada 3 data kelas yang dibagi yaitu sehat, karat dan tungau merah, akurasi yang didapat pada proses pengujian tersebut sebesar 81,6% [8]. Pada jurnal [10] dengan judul “Klasifikasi penyakit mata menggunakan Convolutional Neural Network (CNN)” pada pengujian tersebut mendapatkan akurasi sebesar 98,37%. Pada jurnal [11] dengan judul “Arsitektur alexnet convolution neural network (CNN) untuk mendeteksi covid19 image chest x ray” dalam pengklasifikasi covid, normal, lung opacity, dan viral pneumonia memperoleh tingkat akurasi sebesar 86%.
Berdasarkan beberapa paragraf dan penelitian terkait yang telah dijelaskan sebelumnya, alexnet menjadi inspirasi bagi jaringan saraf tiruan kedepannya dan proses tersebut tidak membutuhkan banyak jumlah operasi dan waktu yang kompleks, maka penelitian ini akan dilakukan untuk mengklasifikasikan sebuah daging segar dan daging busuk berdasarkan gambar dari dataset yang telah disediakan menggunakan metode CNN dan arsitektur alexnet.
METODE
Di penelitian menggunakan metode dalam beberapa tahap yang dilakukan untuk mengidentifikasi daging segar berdasarkan citra daging menggunkan alexnet sebagai arsitektur pada metode CNN yang dapat dilihat pada gambar 1.
Gambar 1. Metode Penelitian
•Studi Literatur
•Pengumpulan Data
•Perancanga n
•Implementas
i •Pengujian
•Analisis Hasil Pengujian
308 | Universitas Multi Data Palembang Studi Literatur
Dimulai dengan mempelajari atau memahami literatur dan bebeberapa jurnal dan buku yang terkait dengan penelitian ini yaitu identifikasi daging segar berdasarkan citra dengan menggunakan CNN dan arsitektur Alexnet.
Pengumpulan Dataset
Dilanjutkan dengan mengumpulkan data citra berupa dataset, dataset tersebut didapatkan dari website kaggle dan dibuat oleh Oğuzhan Ulucan dengan berjudul Meat Quality Assessment Dataset. Dataset tersebut bersifat publik dan memiliki 1896 citra yang dibagi dua yaitu 948 citra untuk fresh dan 948 citra untuk spoiled yang akan digunakan untuk training dan testing.
Perancangan
Ditahap ini akan dilakukan perancangan program yang akan dibuat untuk penelitian ini, yaitu menggunakan metode CNN untuk identifikasi daging segar atau busuk. Perancangan metode CNN model alexnet tersebut dapat dilihat pada gambar 2.
Gambar 2. Perancangan Metode CNN Model Alexnet Implementasi
Selanjutnya tahap implementasi, tahap ini akan membuat sebuah program yang telah dirancang sebelumnya dan menggunakan data yang telah disiapkan sebelumnya. Program tersebut akan dapat mengenali dan melakukan klasifikasi terhadap data uji yang telah dikumpulkan sebelumnya.
Universitas Multi Data Palembang | 309 Pengujian
Tahap selanjutnya akan melakukan pengujian terhadap program yang telah dibuat dan melakukan training terhadap data citra yang telah disiapkan sebelumnya. Selanjutnya akan diuji pada data uji dengan program yang telah di training. Hasil dari data uji tersebut akan ketahap selanjutnya yaitu analisis hasil pengujian.
Analisis Hasil Pengujian
Tahap akhir yaitu menganalisis hasil pengujian, tahap ini melakukan menganalisa dan menghitung hasil yang telah di uji untuk mengetahui tingkat keberhasilan dari metode yang digunakan menggunakan metode Confusion Matrix. Hasil perhitungan dari Confusion Matrix akan digunakan untuk mendapatkan hasil dari perhitungan presisi, recall dan akurasi. Perhitungan tersebut dapat dilihat pada persamaan (1), (2) dan (3)
(1) (2)
(3) HASILDANPEMBAHASAN
Pada perancangan di gambar 2 terdapat beberapa proses diantaranya membagi data menjadi data latih dan data uji, preprocessing dan augmentasi, melatih program, pengujian model dan hasil.
Dataset
Dataset yang telah dikumpulkan akan diproses dengan membagi menjadi 80% data latih dan 20% data uji. Data tersebut berjumlah 1516 citra daging untuk data latih dan 380 citra daging untuk data uji, masing- masing terdapat dua kelas yaitu fresh dan spoiled [12]. Citra daging tersebut dapat dilihat pada gambar 3 dan 4.
Gambar 3. Data Latih Fresh dan Spoiled
Gambar 4. Data Uji Fresh dan Spoiled
310 | Universitas Multi Data Palembang Preprocessing dan Augmentasi
Pada proses preprocessing ini, program akan meresize citra daging menjadi 227x227 pixel [12]. Pada augmentasi sistem akan melakukan teknik vertical clip, horizontal clip, brightness, dan contrass secara acak pada citra daging [13]. Proses ini dapat dilihat pada gambar 5.
Melatih Program
Program akan dilatih menggunakan data latih untuk membentuk sebuah model, proses pembuatan model dapat dilihat pada gambar 5, model tersebut akan digunakan pada tahap selanjutnya yaitu pengujian model.
Gambar 5. Proses Pembuatan Model
Dalam pembuatan model, program akan dilatih menggunakan data lati dan data validasi yang terdiri dari 5 lapisan konvolusi dengan fungsi aktivasi ReLU. Inputan yang pertama berupa citra Red Green Blue (RGB) yang berukuran 227 pixel dengan filter 11 dan strides 4, dimensi dalam step ini citra akan menjadi 55x55x96.
Kemudian menerapkan max pooling yang digunakan untuk mengurangi dimensi pada gambar menjadi 27x27x96. Pada lapisan kedua memiliki fitur map sebanyak 256 dan menggunakan 2 strides di max pooling sehingga output menjadi 11x11x256. Dilapisan convolusi ketiga dan ke empat masing masing memilikki 384 filter dan 9x9x384 untuk dimensi gambar, pada lapisan kelima menggunakan 256 filter map sehingga output menjadi 7x7x256 dan menggunakan max pooling dengan 2 strides. Dilanjutkan menambahkan lapisan flattening dan menambahkan fully connected layer (fc) yang terdiri dari 3 lapisan. Pada lapisan fc pertama dengan input 227x227 dengan RGB dan 4096 neuron dan lapisan kedua memiliki 4096 neuron. Masing masing kedua lapisan tersebut melakukan 40% dropout. Pada lapisan ketiga merupakan output layer dan menggunakan fungsi aktivasi sigmoid dengan output 2 kelas [13]. Compiling pada model menggunakan optimizer Adam dengan learning rate 0.0001, 16 batch size, dan menggunakan 20 epoch. Parameter yang dihasilkan pada model tersebut dapat dilihat pada tabel 1.
Tabel 1. Parameter Model Alexnet
Type Layer Output Shape Parameter
Layer 1 (None, 55, 55, 96) 34944
MaxPooling 1 (None, 27, 27, 96) 0
Layer2 (None, 23, 23, 256) 614656
MaxPooling 2 (None, 11, 11, 256) 0
Layer 3 (None, 9, 9, 384) 885120
Universitas Multi Data Palembang | 311
Layer4 (None, 9, 9, 384) 147840
Layer 5 (None, 7, 7, 256) 884992 MaxPooling 3 (None, 3, 3, 256) 0 flatten (Flatten) (None, 2304) 0
FC1 (Dense) (None, 4096) 9441280
Dropout 1 (None, 4096) 0
FC2 (Dense) (None, 4096) 16781312
Dropout 2 (None, 4096) 0
FC 3 (Dense) (None, 2) 3194
Dari hasil pelatihan program, dari epoch pertama mendapatkan hasil akurasi 0,8697 dan loss 0,3341, akurasi tersebut terus meningkat dan loss semakin menurun hingga epoch ke 20 mendapatkan akurasi 0.9867 dan loss 0.0283. Proses tersebut dapat dilihat pada curve di gambar 6.
Gambar 6. Hasil Pelatihan Program
Pengujian Model
Hasil confusion matrix pada model yang telah dibuat dapat dilihat pada tabel 2. Kelas fresh, citra daging segar yang diidentifikasi secara benar (TP) sebanyak 170 citra. Citra daging segar yang diidentifikasi salah namun diindetifikasi fresh (FP) sebanyak 0 citra. Ada 8 citra daging busuk yang diidentifikasi sebagai citra daging segar (FN). Ada 202 citra yang di identifikasi benar pada kelas spoiled.
Tabel 2. Confusion Matrix Model alexnet Fresh Spoiled
Fresh 170 8
Spoiled 0 202
HASILDANPEMBAHASAN
Setelah mendapatkan hasil dari confusion matrix yang telah dilakukan maka dapat melakukan perhitungan akurasi, presisi, dan recall dapat dilihat pada tabel 3. Kelas fresh memiliki akurasi sebesar 97,89%, Presisi 100%, dan recall 95,5%. Pada kelas spoiled memiliki akurasi sebesar 97,89%, Presisi 96,19%, dan recall 100%. Didapatlah rata-rata akurasi dari semua kelas yaitu sebesar 97,89%.
312 | Universitas Multi Data Palembang
Tabel 3. Perhitungan
Kelas Precision Recall Akurasi Fresh 100% 95,5% 97,89%
Spoiled 96,19% 100% 97,89%
Rata-rata Akurasi 97,89%
SIMPULAN
Berdasarkan hasil pengujian sebelumnya, hasil penelitian penerapan metode convolutional neural network dengan arsitektur AlexNet untuk mengidentifikasi daging segar dan busuk mencapai akurasi rata- rata 97,89%. Dapat dilihat pada tabel 3 untuk hasil perhitungan tersebut menunjukkan bahwa akurasi klasifikasi lebih tinggi dari penelitian sebelumnya [6], dan hasil pengujian mencapai akurasi 81,6%.
DAFTARPUSTAKA
[1] Riftiarrasyid, M. F., Setyawan, D. A., & Maulana, H. (2021). Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Gray Level Cooccurrence Matrix dan DNN. Jurnal Ilmiah Teknologi Informasi dan Robotika, 3(2), 34-38.
[2] Firmansyah, H. B., SauqY, D., & Ichsan, M. H. H. (2019). Implementasi Sistem Penentuan Kesegaran Daging Sapi Lokal Berdasarkan Warna dan Kadar Amonia dengan Metode Jaringan Syaraf Tiruan Berbasis Embedded System. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(5).
[3] Yusuf, A., Wihandika, R. C., & Dewi, C. (2019). Klasifikasi Emosi Berdasarkan Ciri Wajah Menggunakan Convolutional Neural Network. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964.
[4] Lina, Q. (2019, 01 02). Medium. Diambil kembali dari Apa itu Convolutional Neural Network:
https://medium.com/@16611110/apa-itu-convolutional-neural-network-836f70b193a4
[5] Micheal, & Hartati, E. (2022). Klasifikasi Spesies Kupu Kupu Menggunakan Metode Convolutional Neural Network. MDP Student Conference (MSC) 2022, 569-577.
[6] Willyanto, A., Alamsyah, D., & Irsyad3, H. (2021). Identifikasi Tulisan Tangan Aksara Jepang Hiragana Menggunakan Metode CNN Arsitektur VGG-16. Jurnal Algoritme, 1-11.
[7] Irfansyah, D., Mustikasari, M., & Suroso, A. (2021). Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama pada Citra Daun Tanaman Kopi. Jurnal Informatika, 6(2).
[8] Karno, A. S. B., Hastomo, W., Efendi, Y., & Irawati, D. R. (2021). Arsitektur Alexnet Convolution Neural Network (CNN) Untuk Mendeteksi Covid-19 Image Chest-Xray. Proceeding KONIK (Konferensi Nasional Ilmu Komputer), 5, 482-485.
[9] Irfansyah, D., Mustikasari, M., & Suroso, A. (2021). Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi. Jurnal Informatika, 6(2).
[10] Cahya, F. N., Hardi, N., Riana, D., & Hadianti, S. (2021). Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN). SISTEMASI: Jurnal Sistem Informasi, 618-626.
Universitas Multi Data Palembang | 313 [11] Karno, A. S. B., Hastomo, W., Efendi, Y., & Irawati, D. R. (2021). Arsitektur Alexnet Convolution Neural Network (CNN) Untuk Mendeteksi Covid-19 Image Chest-Xray. Proceeding KONIK (Konferensi Nasional Ilmu Komputer), 5, 482-485.
[12] Nurlitasari, D. A., Magdalena, R., & Fu'adah, R. Y. N. (2022). Analisis Performansi Sistem Klasifikasi Kanker Kulit Menggunakan Convolutional Neural Network. Journal of Electrical and System Control Engineering, 5(2), 91-99.
[13] Puspitasari, P., & Wibowo, A. T. (2021). Klasifikasi Bunga Anggrek Untuk Genus Grammatophyllum Menggunakan Metode Convolutional Neural Network (CNN). eProceedings of Engineering, 8(5)
