Pengaruh Hyperparameter Convolutional Neural Network Arsitektur ResNet-50 Pada Klasifikasi Citra Daging Sapi dan Daging Babi

Abstract

Abstrak - Kasus kecurangan pedagang mencampur daging sapi dengan daging babi masih terjadi hingga saat ini. Membedakan daging sapi dan babi dapat dilakukan dengan mengamati secara langsung satu persatu, tetapi hal ini dapat dilakukan oleh para ahli, Tetapi secara kasat mata masih sulit membedakannya. Perilaku pedagang seperti ini sangat merugikan konsumen khususnya pemeluk agama Islam karena berkaitan dengan makanan yang halal atau haram. Pada penelitain ini menggunakan metode Deep Learning untuk klasifikasi citra dengan Convolutional Neural Network (CNN) arsitektur ResNet-50. Jumlah data sebanyak 457 citra yang terbagi menjadi 3 kelas, yaitu daging babi, daging oplosan dan daging sapi. Setiap kelas memiliki ukuran gambar yang sama yaitu 300 x 300 pixel. Pembagian data menggunakan split data dengan perbandingan 70% data uji : 30% data uji, 80% data latih : 20% data uji, dan 90% data latih : 10% data uji. Hasil dari pengujian model dengan Confusion Matrix menunjukkan performa klasifikasi tertinggi dengan 100% accuracy, 100% precision, dan 100% recall, pada data citra asli dengan penggunaan batch size 32, 0.001 learning rate, epoch 75 dan split data 90% : 10%.Kata kunci: Convolutional Neural Network, Daging Babi dan Sapi, Deep Learning, Klasifikasi Citra, ResNet Abstract - Traders mixing beef and pork are still committing fraud today. Although professionals can discern between beef and pork by watching them one by one, it is still impossible to do so with the naked eye. This kind of behavior is very detrimental to consumers, especially Muslims because it is related to halal or haram food. This research uses Deep Learning method to classify images with Convolutional Neural Network (CNN) ResNet-50 architecture. The number of data is 457 images which are divided into 3 classes, namely pork, mixed meat and beef. Each class has the same image size, which is 300 x 300 pixels. data distribution using split data with a comparison of 70% training data: 30% test data, 80% training data: 20% test data, and 90% training data: 10% test data. The results of model testing using the Confusion Matrix show the highest classification performance with 100% accuracy, 100% precision, and 100% recall, on the original image data using batch size 32, 0.001 learning rate, epoch 75 and split data 90%: 10%..Kata kunci: Convolutional Neural Networ, Deep Learning, Image Classification, Pork and Beef, ResNet

Image Classification of Beef and Pork Using Convolutional Neural Network Architecture EfficienNet-B1

“…55 [15] achieved accuracy results of 98.88%, precision results of 98.89%, and recall results of 98.88%. Similarly, research by Sarah, L. et al [16] employing CNN ResNet-50 produced average accuracy, recall, and precision values of 87.64%, 87.59%, and 90.90% [16]. Another study using CNN with AlexNet [17] resulted in an accuracy of 84.1%, precision of 78.6%, and recall of 79%.…”

A Study on the Implementation of YOLOv4 Algorithm with Hyperparameter Tuning for Car Detection in Unmanned Aerial Vehicle Images

“…The confusion matrix is also used, which represents the comparison results of the classification, namely true positive (TP), false positive (FP), false negative (FN), and true negative (TN). The confusion matrix is used to measure the performance of an algorithm at the evaluation stage [20].…”

Pemilihan Hyperparameter Pada Alexnet CNN Untuk Klasifikasi Citra Penyakit Kedelai

“…Nilai hyperparameter tidak dapat ditentukan dari data dan kami selalu menganggapnya sebagai nilai yang diberikan saat mendefinisikan model, dengan kata lain, nilai hyperparameter harus ditentukan sebelum model dapat ditentukan proses pembelajarannya [20]. Hyperparameter adalah variabel yang mempengaruhi output dari sebuah model [21]. Pada penelitian ini, Hyperparameter Tuning yang dipilih untuk memberikan parameter terbaik melalui parameter perbandingan yang diusulkan.…”