Template Jurnal Tekinkom Punya Hafez Almirza
Template Jurnal Tekinkom Punya Hafez Almirza
Fakultas Sains Dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim
email: linearattack0@gmail.com1, jasril.uinsuska@gmail.com2, suwantosanjaya@uin-suska.ac.id3,
lestarihandayani@uin-suska.ac.id4, fadhilah.syafria@uin-suska.ac.id5
Abstract
The increase in counterfeit beef sales is in line with the growing demand for meat in Indonesia.
Counterfeit meat, namely mixed beef and pork and pure pork sold as beef can be distinguished using
image classification. This research classifies pork, mixed, and beef using the Convolutional Neural
Network (CNN) model of EfficientNet-B0 architecture. This research uses the image augmentation
method to augment the image with the aim of improving classification accuracy. The total original image
is 900 images, while the total augmented image is 9000. The highest classification accuracy result are
obtained by model that use augmented images, with a combination of hyperparameter of optimizer
Adamax, hidden activation Swish, and learning rate 0.1 with the results of accuracy 97.11%, precision
97.14%, recall 97,117%, and F1-Score 97.11%.
Keywords: Clasification, Convolutional Neural Network, EfficientNet-B0, Citra, Augmented
1. PENDAHULUAN Daging sapi, babi dan oplosan dapat
Berdasarkan data Organization for diklasifikasikan dengan memanfaatkan teknologi
Economic Cooperation and Development image processing melalui algoritma Machine
(OECD), konsumsi daging sapi Indonesia tahun Learning(ML). Beberapa penelitian terkait
2022 adalah 2.226 per kapita, meningkat dari klasifikasi menggunakan ML telah beberapa kali
tahun 2021 yang hanya 2.203 perkapita. dilakukan, seperti penelitian Budianita et. al.,
Meningkatnya konsumsi daging sapi masyarakat dilakukan pengolahan citra untuk klasifikasi
menyebabkan kelangkaan. Kelangkaan daging daging babi dan daging sapi berdasarkan warna
sapi dan meningkatnya permintaan pasar dan tekstur dengan metode Hue Saturation Value
terhadap daging sapi, membuat sejumlah (HSV) dan Gray Level Co-Occurrence Matrix
pedagang nakal memanfaatkan situasi tersebut (GLCM) lalu diklasifikasikan menggunakan
dengan mencampur daging babi pada daging algoritma K-Nearest Neighbour(KNN)
sapi. Pada tahun 2016 di kota Surabaya, polisi (Budianita et al., 2015). Penelitian Handayani et.
menyita barang bukti 16 kg daging sapi al., melakukan klasifikasi citra tekstur daging
bercampur daging babi(Wahyudiyanta, 2016). babi dan sapi menggunakan Probabilistik Neural
Kasus serupa juga terjadi di kota Tangerang Network(Handayani et al., 2017). Penelitian
pada tahun 2020, polisi menangkap seorang lainnya dilakukan oleh Malikhah et. al.,
pelaku yang mencampur daging sapi dengan menggunakan metode Ensemble
daging babi(Wiryono, 2020). Di tahun yang Learning(Malikhah et al., 2021). Pada saat ini,
sama, polresta Bandung mengamankan empat klasifikasi citra daging babi dan sapi
pelaku pengedar daging babi yang dijual seolah- menggunakan machine learning telah digantikan
olah daging sapi di wilayah Kabupaten dengan metode Deep Learning dengan
Bandung(Iqbal, 2020). Convolutional Neural Network(CNN).
1
Panduan Penulisan Jurnal Tekinkom
Penelitian terkait klasifikasi daging sapi Tahapan penelitian merupakan bagian
dan babi menggunakan CNN telah dilakukan integral dalam proses penelitian yang dirancang
beberapa kali. Penelitian mengenai klasifikasi secara sistematis untuk mencapai tujuan yang
daging sapi dan babi dilakukan Laluma et. al., telah ditetapkan. Melalui tahapan-tahapan ini,
menggunakan CNN dengan classifier Multilayer peneliti dapat memperoleh pemahaman
Layer Perceptron (MLP) (Laluma et al., 2021). mendalam tentang subjek penelitian dan
Penelitian lainnya dilakukan oleh Artya et. al., menghasilkan temuan yang valid dan bermakna.
menggunakan CNN dengan arsitektur AlexNet, Setiap tahapan memiliki peran penting dalam
memberikan hasil akurasi klasifikasi 68,6% menyusun kerangka penelitian, merancang
menggunakan dataset Local Binary metode yang tepat, mengumpulkan dan
Pattern(LBP) dan 84,1% menggunakan dataset menganalisis data, serta menarik kesimpulan
asli(Artya et al., 2022). Lasniari et. al., yang relevan. Tahapan penelitian yang akan
melakukan penelitian terkait klasifikasi jenis diterapkan pada penelitian ini adalah sebagai
daging menggunakan CNN arsitektur ResNet-50 berikut.
dengan tingkat akurasi 87,64%(Lasniari et al.,
2022). Alhafis et. al., melakukan penelitian
menggunakan CNN arsitektur EfficientNet-B0
dan metode Contrast Limited Adaptive
Histogram Equalization(CLAHE) untuk
meningkatkan kualitas citra dengan hasil terbaik
diperoleh oleh citra tanpa metode pengolahan Gambar 1. Tahapan Penelitian
CLAHE(Alhafis et al., 2022).
Penelitian ini menggunakan CNN 2.1. Pengumpulan Data
arsitektur EfficientNet-B0 dengan metode Tahap pengumpulan data dilakukan
Augmentasi untuk meningkatkan jumlah citra. dengan mengambil citra daging babi, oplosan,
Pemilihan CNN arsitektur EfficientNet-B0 dan sapi. Data yang digunakan pada penelitian
dilakukan berdasarkan penelitian Bhupendra et. ini adalah data primer yang didapat secara
al., tentang klasifikasi butir beras yang telah mandiri. Daging didapatkan dari Pasar Bawah
digiling menggunakan CNN arsitektur yang berlokasi di Pekanbaru, Riau. Citra setiap
EfficientNet-B0, ResNet-50, InceptionV3, jenis daging diambil secara langsung
MobileNetV2, dan MobileNetV3 dengan hasil menggunakan kamera ponsel Xiaomi Redmi
akurasi tertinggi di capai oleh arsitektur Note 8 Pro dengan resolusi 64MP dan Vivo V20
EfficientNet-B0 yang memiliki nilai akurasi dengan resolusi kamera 64MP. Data yang
98,37%(Bhupendra et al., 2022). Sementara itu, dikumpulkan berjumlah 300 untuk setiap jenis
penelitian mengenai augmentasi citra dilakukan daging, sehingga totalnya adalah 900 citra
oleh Phiadelvira untuk klasifikasi kanker serviks daging.
dengan nilai akurasi 100% menggunakan citra
hasil augmentasi, sedangkan jika tanpa proses 2.2. Preprocessing
augmentasi hanya mendapatkan nilai tertinggi Citra daging yang telah diambil diolah
66.67%(Phiadelvira, 2021). Tujuan penelitian ini pada tahap preprocessing. Tahap ini bertujuan
adalah untuk meningkatkan akurasi klasifikasi untuk menyeragamkan citra daging sehingga
daging sapi dan daging babi menggunakan CNN proses ekstraksi informasi lebih akurat. Teknik
arsitektur EfficientNet-B0 dengan augmentasi yang dilakukan pada tahap ini adalah crop dan
citra. resize. Seluruh tahapan preprocessing dilakukan
menggunakan bahasa pemrograman python.
2. METODE PENELITIAN a. Crop
2
Panduan Penulisan Jurnal Tekinkom
Crop citra dilakukan untuk dan data augmentasi. Hal ini dilakukan untuk
menghilangkan bagian yang tidak dibutuhkan membandingkan kualitas model yang dilatih
pada tepi citra yang tidak memberikan informasi antara 2 data tersebut. Augmentasi citra
pola dari daging. Bagian yang tidak diinginkan bertujuan untuk memperbanyak jumlah dataset
atau biasa disebut noise dapat mengganggu sehingga model yang dilatih akan lebih
proses ekstraksi informasi dari citra. maksimal tanpa harus melakukan sampel
tambahan data(Lasniari et al., 2022). Teknik
augmentasi yang dilakukan pada penelitian ini
adalah rotation, horizontal flip, vertical flip, dan
brightnes shift. Jumlah yang dihasilkan dari
tahap augmentasi untuk tiap citra adalah 10 citra
Gambar 2. Crop pada citra daging augmentasi, sehingga total seluruh citra
augmentasi untuk adalah 3000 citra untuk
b. Resize masing-masing daging.
Resize adalah proses untuk
menyeragamkan ukuran citra yang sebelumnya
telah di-crop. Ukuran citra yang digunakan
model penelitian ini adalah 224 × 224 piksel,
yang mana merupakan ukuran yang ditetapkan Ga
pada arsitektur EfficientNet-B0. mbar 4. Augmentasi citra dengan flip vertical
3
Panduan Penulisan Jurnal Tekinkom
2.5. Klasifikasi memberikan akurasi yang tinggi memperbaiki
Klasifikasi gambar pada penelitian ini efektivitas model dengan pengoptimalan
dilakukan dengan model CNN arsitektur parameter(Tan & Le, 2019). Berikut ini adalah
Efficient-NetB0. EfficientNet-B0 adalah salah arsitektur EfficientNet-B0 yang digunakan pada
satu pre-trained model yang mampu penelitian ini.
6
Panduan Penulisan Jurnal Tekinkom
Pada dapat disimpulkan bahwa rasio
pembagian 90:10 memberikan nilai akurasi
validasi yang lebih baik daripada rasio 80:20.
Akurasi pelatihan tertinggi dicapai oleh model
percobaan ke-29 pada dataset citra asli.
Sementara itu, untuk dataset augmentasi dicapai
oleh pada percobaan ke-41. Grafik loss dan
accuracy dari pelatihan 2 model tersebut dapat
dilihat pada gambar berikut.
8
Panduan Penulisan Jurnal Tekinkom
EfficientNet-B0. Citra daging diperoleh secara
mandiri dengan jumlah 300 citra setiap jenis
daging. Data citra daging dibagi dengan rasio
80:20 dan 90:10. Data citra dibedakan menjadi
data asli dengan jumlah 300 setiap jenis daging
dan data hasil augmentasi dengan jumlah 3000
untuk tiap jenis daging. Pengujian pada model
yang telah dilatih dilakukan dengan pengukuran
accuracy, precision, recall, dan F1-Score.
Berdasarkan hasil penelitian yang telah
dilakukan didapat hasil akurasi tertinggi yang
menggunakan rasio bagi 90:10 dicapai oleh
model menggunakan citra asli dengan optimizer
Gambar 12. Confusion matrix model ke-29 dan
Adamax, hidden activation Swish, dan learning
model ke-33
rate 0,1 dengan hasil akurasi 97,11%, presisi
Gambar 12 adalah confusion matrix
97,14%, recall 97,11%, dan F1-Score 97,11%.
yang memetakan hasil klasifikasi dari model ke-
Sedangkan untuk rasio bagi 80:20, hasil akurasi
29 dan model ke-33 yang menggunakan rasio
tertinggi dicapai oleh model menggunakan citra
bagi 90:10. Model ke-29 memiliki kombinasi
augmentasi dengan optimizer RAdam, hidden
hyperparameter sebagai berikut : optimizer
activation ReLU, dan learning rate 0,01 dengan
Adamax, activation Swish, dan learning rate
hasil akurasi 95,06%, presisi 95,12%, recall
0.01 menggunakan dataset asli. Sementara itu
95,06%, dan F1-Score 95,12%. Dapat
model ke-33 menggunakan optimizer RAdam,
disimpulkan bahwa penggunaan metode
activation ReLU, dan learning rate 0.1
augmentasi citra dapat meningkatkan akurasi
menggunakan dataset augmentasi.
klasifikasi dan penggunaan rasio pembagian data
90:10 pada model memberikan performa lebih
baik dari pada rasio pembagian data 80:10.
Untuk penelitian selanjutnya, direkomendasikan
untuk penggunaan citra yang lebih banyak dan
penggunaan teknik learning rate scheduling
untuk meningkatkan akurasi, karena parameter
learning rate berpengaruh cukup signifikan pada
penelitian ini.
5. REFERENSI
Penulisan naskah dan sitasi yang diacu
dalam naskah ini disarankan menggunakan
aplikasi referensi (reference manager) seperti
Mendeley, Zotero, Reffwork, Endnote dan lain-
lain.[Times New Roman, 11, normal].
Minimal 15 referensi utama dan terbaru (5 tahun
terakhir).
10
Panduan Penulisan Jurnal Tekinkom