KLASIFIKASI JENIS BERAS PUTIH MENGGUNAKAN CNN RESIDUAL NETWORK OPTIMIZER SGD
Billy Gunawan1*), M. Ezar Al-Rivan2
1,2 Program Studi Informatika, Fakultas Ilmu Komputer dan Rekayasa, Universitas Multi Data Palembang
1gunawanbilly1410@gmail.com, 2meedzhar@mdp.ac.id
Kata kunci:
beras; CNN; optimizer; pooling;
resnet
Abstract: One of human primary food source in the world is rice. As one of a primary food development regarding its types has been carried out, but due to the many types of rice that exist, it becomes difficult for consumers to tell a difference between one type of rice and another. In addition to differences in taste, texture and shape also become a significant differentiator from one another so that it will be quite difficult for consumers to differentiate between them. Therefore, we need a solution to this problem. By using ResNet architecture on CNN algorithm, data samples, and test scenarios in the form of using SGD optimizer, it is hoped that this research can provide solutions to the problems encountered. The dataset consists of 75,000 image data divided into 5 types of rice which contains aborio, ipsala, and jasmine where the dataset will be devided in 80% data train to 20% data test ratio . After going through the process of training and testing the model, the results obtained an accuracy of 97.93%.
Abstrak: Salah satu bahan pokok utama yang dijadikan pilihan oleh manusia di belahan dunia adalah beras. Sebagai pangan utama, pengembangan mengenai jenis-jenisnya telah dilakukan, namun dikarenakan banyaknya jenis beras yang ada membuat konsumen menjadi sulit membedakan antara jenis beras satu dengan yang lain. Selain perbedaan rasa, tekstur dan bentuk pun menjadi suatu pembeda yang cukup signifikan antara satu dengan yang lain sehingga hal ini akan cukup menyulitkan konsumen untuk membedakannya. Maka dari itu ,diperlukan sebuah solusi untuk permasalahan ini. Dengan menggunakan algoritma CNN arsitektur ResNet, sampel data, dan skenario pengujian berupa penggunaan optimizer SGD diharapkan bahwa penelitian ini dapat memberikan solusi atas permasalahan yang dihadapi. Dataset terdiri atas 75.000 data citra yang terbagi atas 5 jenis beras yaitu beras jenis aborio, ipsala, dan jasmine dimana dataset akan dibagi ke dalam rasio 80% data latih dan 20% data uji . Setelah melalui proses pelatihan dan pengujian model didapatkan hasil akurasi sebesar 97,93%
Gunawan & Al Rivan (2023). Klasifikasi Jenis Beras Putih Menggunakan CNN Residual Network Optimizer SGD.
MDP Student Conference 2023.
PENDAHULUAN
Beras merupakan bahan pangan yang gemar dinikmati oleh masyarakat Indonesia, hal ini dibuktikan oleh data dari Kementerian Pertanian Indonesia yang menyebutkan bahwa konsumsi beras nasional tahun 2018 yang diperkirakan mencapai angka 33,47 ton [1]. Dalam memasak nasi, pemilihan jenis beras sangat menentukan hasil akhir dari hidangan. Panjang dan tekstur dari beras akan menjadi pembeda yang cukup signifikan [2]. Pada teknologi pengenalan gambar, dilakukan penelitian dengan topik klasifikasi abnormalitas pada paru-paru. Penelitian tersebut membuktikan bahwa citra paru-paru yang memiliki abnormalitas di
dalamnya dapat dikenali dengan baik dengan nilai akurasi sebesar 99,4% [3]. Pada penelitian klasifikasi dengan topik lain dilakukan dengan menggunakan berbagai jenis kecerdasan buatan seperti ANN, DNN, dan CNN sebagai algoritma acuannya. Dengan objek beras, didapatkan bahwa hasil akurasi terbaik diberikan oleh algoritma CNN dengan nilai akurasi sebesar 100% [4]. Penelitian berikutnya yang menggunakan Residual Network (ResNet) membandingkan VGG dan ResNet secara spesifik menggunakan objek penelitian berupa citra kanker mata dengan hasil yang baik dan arsitektur ResNet terbukti dapat melakukan klasifikasi terhadap masing-masing citra kanker mata [5]. Pada penelitian kanker melanoma, dilakukan perbandingan atas berbagai jenis ResNet yaitu ResNet 7, ResNet 10, ResNet 25, ResNet 40, dan ResNet 50 dengan hasil akhir diperoleh bahwa ResNet50 memberikan hasil akurasi sebesar 83% sebagai arsitektur dengan nilai akurasi terbaik untuk skenario penelitian tersebut [6]. Menurut riset dari penelitian-penelitian sebelumnya, algoritma CNN cenderung memberikan hasil akurasi yang cocok dan layak untuk dijadikan sebagai algoritma acuan dari penelitian ini dan dengan penjelasan mengenai objek penelitian dari pernyataan beberapa sumber terkait menegaskan bahwa topik ini dapat memberikan pengaruh yang besar jika terdapat solusi yang baik atas permasalahan tersebut.
METODE
Dalam penelitian mengenai Klasifikasi Jenis Beras Putih Menggunakan Convolutional Neural Network, terdapat beberapa tahapan yang akan dilakukan seperti yang ditunjukkan pada Gambar 1.
Gambar 1. Metode Penelitian
Beras
Beras merupakan makanan pokok masyarakat Indonesia dan banyak negara lainnya. Ada beberapa jenis beras di Indonesia, antara lain beras putih (Oryza sativa L.), beras merah (Oryza nirvara), dan beras hitam (Oryza sativa L.). Setiap varietas padi memiliki karakteristik fisikokimia yang berbeda, bahkan untuk varietas padi yang sama dari daerah yang berbeda [7].
Convolutional Neural Network (CNN)
Convolutional Neural Network adalah varian dari multilayer perceptron (MLP) yang terinspirasi oleh jaringan saraf manusia. Penelitian asli di balik temuan ini pertama kali dilakukan oleh Hubel dan Wiesel.
Convolutional Neural Network adalah lapisan dengan susunan neuron tiga dimensi (lebar, tinggi, kedalaman) [8]. Metode ini merupakan jenis algoritma yang sering digunakan untuk melakukan klasifikasi terhadap suatu objek [9]. Jaringan saraf convolutional (CNN) dirancang untuk beroperasi pada input terstruktur dengan ketergantungan spasial yang kuat dari jaringan lokal. Contoh paling sederhana adalah gambar 2D. Jenis data ini juga memiliki ketergantungan spasial, karena gambar seringkali memiliki warna yang sama di setiap piksel. Bidang ekstra-dimensi menangkap warna berbeda, menjadikannya input tiga dimensi. Pada gambar 2, dijelaskan mengenai layer-layer yang ada pada algoritma CNN.
Gambar 2. Bentuk Umum dari Arsitektur CNN [10]
Residual Network (ResNet)
ResNet menggunakan banyak jenis layer, yang merupakan keunggulan dibandingkan arsitektur lainnya. Arsitektur ini adalah pemenang kompetisi ILSVRC dan mencapai nilai kesalahan lima besar hanya 3,6%, menjadikan arsitektur ini sebagai pengklasifikasi pertama yang mencapai kinerja klasifikasi manusia.
Akurasi ini dicapai dengan menggabungkan jaringan ResNet, bahkan dengan model tunggal akurasi 5%
dapat dicapai. Mempelajari tentang arsitektur berlapis-lapis biasanya tidak mungkin sampai inovasi yang signifikan dibuat [11].
Stochastic Gradient Descent (SGD)
Metode SGD melakukan pembaruan satu per satu, menghindari redundansi, membuatnya lebih cepat dan dapat dipelajari secara online. Dalam metode ini, pembaruan berulang dengan variasi tinggi diterapkan, menghasilkan beberapa fungsi tujuan. Fungsi ini memungkinkan parameter untuk bertransisi ke parameter lokal minimal yang baru dan mungkin lebih baik. Karena SGD masih melakukan overshooting, hasilnya memperumit konvergensi ke minimum yang tepat [12].
Persiapan Objek Penelitian
Pada tahap ini melakukan persiapan objek beras putih yang akan digunakan datanya. Dataset bersumber dari Kaggle dengan jumlah total 75.000 dengan jumlah 15.000 dari setiap jenis berasnya.
Implementasi
Pada tahapan ini, peneliti memulai implementasi convolutional neural network terhadap objek yang akan diteliti. Alur implementasi dari penelitian berupa pembagian data menjadi data uji, data latih dengan data rasio 80:20 untuk dipelajari dan diuji oleh algoritma arsitektur ResNet sampai menghasilkan model yang akan melalui pengujian hingga memberikan hasil.
Pengujian
Pada tahapan ini, peneliti akan melakukan pengujian terhadap model yang telah dihasilkan dari implementasi dan akan diuji menggunakan citra dari data uji yang telah dibagi saat pembagian dataset.
HASILDANPEMBAHASAN
Pengujian Optimizer SGD
Jenis skenario optimizer yang akan dicoba pada penelitian ini adalah SGD yang selanjutnya akan melalui skenario pengujian berikutnya.
Pengujian Average Pooling
Penelitian ini melakukan klasifikasi CNN menggunakan optimizer SGD dan pooling average. Hasil training dapat dilihat pada Tabel 1. didapatkan hasil akurasi pada Epoch pertama sebesar 82,96% dan mengalami peningkatan pada Epoch selanjutnya menjadi 96,34%. Hingga Epoch ke-5, tingkat akurasi terus mengalami peningkatan hingga Epoch ke-5 sebesar 97,93%. Pada Tabel 2, ditunjukkan nilai confusion matrix dari hasil uji model yang telah dilatih.
Tabel 1. Hasil Pengujian Model ResNet 50 Dengan Optimizer SGD dan Average Pooling Epoch ke- Loss Accuracy Waktu
1 0,7331 0,8296 1835s
2 0,1092 0,9634 1825s
3 0,0811 0,9709 1840s
4 0,0746 0,9752 1889s
5 0,0605 0,9793 1814s
Tabel 2. Confusion matrix Model ResNet 50 Dengan Optimizer SGD dan Average Pooling
Berdasarkan hasil yang didapatkan sebelumnya, dapat dikatakan bahwa CNN dengan arsitektur ResNet yang dikombinasikan dengan optimizer SGD serta pooling average memberikan hasil yang baik dengan akurasi yang cukup stabil dan nilai akurasi yang tinggi yaitu sebesar 97,93%.
SIMPULAN
Dari penelitian mengenai klasifikasi jenis beras putih dengan menggunakan Convolutional Neural Network diperoleh beberapa kesimpulan yaitu (1) Algoritma ResNet merupakan algoritma yang baik untuk djadikan acuan untuk penelitian topik klasifikasi, (2) Akurasi dari algoritma ResNet50 masih mendapatkan hasil yang baik setelah melalui skenario uji. (3) Optimizer SGD dan pooling average merupakan skenario uji yang cocok untuk dikombinasikan dengan algoritma CNN dan arsitektur ResNet50 pada kasus penelitian ini
Actual
Aborio Ipsala Jasmine Karacadağ Basmati
Predicted
Aborio 2966 0 0 22 16
Ipsala 1 2903 0 92 0
Jasmine 2 0 2990 12 0
Karacadağ 7 31 1 2982 1
Basmati 77 0 0 1 2900
DAFTARPUSTAKA
[1] Kementerian Pertanian Republik Indonesia, “Optimis Produksi Beras 2018, Kementan Pastikan Harga Beras Stabil,” 2018. https://www.pertanian.go.id/home/?show=news&act=view&id=2614 (diakses 10 Februari 2023).
[2] K. Foster, “What is The Difference Between Short Medium and Long Grain Rice?,” 8 Oktober 2022.
www.thekitchn.com/whats-the-difference-between-short-medium-and-long-grain-rice-227756 (diakses 21 Oktober 2022).
[3] S. Kido, Y. Hirano, dan N. Hashimoto, “Detection and Classification of Lung Abnormalities By Use of Convolutional Neural Network (CNN) and Regions With CNN Features (R-CNN),” Dalam 2018 International Workshop on Advanced Image Technology (IWAIT), Jan 2018, hlm. 1–4. doi:
10.1109/IWAIT.2018.8369798.
[4] M. Koklu, I. Cinar, dan Y. S. Taspinar, “Classification of Rice Varieties With Deep Learning Methods,” Vol. 187, 2021, doi: 10.1016/j.compag.2021.106285.
[5] D. F. Santos-Bustos, B. M. Nguyen, dan H. E. Espitia, “Towards Automated Eye Cancer Classification Via VGG and ResNet Networks Using Transfer Learning,” Jun 2022, doi:
10.1016/j.jestch.2022.101214.
[6] A. Budhiman, Suyanto, dan A. Arifianto, “Melanoma Cancer Classification Using ResNet with Data Augmentation,” 2019, doi: 10.1109/ISRITI48646.2019.9034624.
[7] E. Hernawan dan V. Meylani, “Analisis Karakteristik Fisikokimia Beras Putih, Beras Merah, dan Beras Hitam (Oryza sativa L., Oryza Nivara dan Oryza Sativa L. Indica),” Jurnal Kesehatan Bakti Tunas Husada: Jurnal Ilmu-ilmu Keperawatan, Analis Kesehatan dan Farmasi, Vol. 15, No. 1, Hlm.
79, Nov 2016, doi: 10.36465/jkbth.v15i1.154.
[8] E. Hartati, K. Kunci, dan K. Kupu, MDP Student Conference (MSC) 2022 Klasifikasi Spesies Kupu Kupu Menggunakan Metode Convolutional Neural Network. 2022.
[9] D. Marcella dan S. Devella, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19,” Vol. 3, No. 1, Hlm. 60–70, 2022.
[10] K. O’Shea dan R. Nash, “An Introduction to Convolutional Neural Networks,” Nov 2015, Diakses: 4 November 2022. [Daring]. Tersedia pada: https://www.researchgate.net/publication/285164623
[11] C. C. Aggarwal, Neural Networks and Deep Learning. Yorktown Heights: Springer International Publishing AG, 2018.
[12] M. N. Halgamuge, E. Daminda, dan A. Nirmalathas, “Best Optimizer Selection For Predicting Bushfire Occurrences Using Deep Learning,” Natural Hazards, Vol. 103, No. 1, Hlm. 845–860, Agu 2020, doi: 10.1007/s11069-020-04015-7.
