Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia

Evan Tanuwijaya; Angelica Roseanne

doi:10.30812/matrik.v21i1.1492

Evan Tanuwijaya Universitas Ciputra Surabaya https://orcid.org/0000-0001-9320-6806
Angelica Roseanne Universitas Ciputra Surabaya

DOI: https://doi.org/10.30812/matrik.v21i1.1492

Keywords: Convolution Neural Network, Rempah-rempah, VGG 16, Alexnet, Deep learning

Abstract

Rempah-rempah merupakan salah satu kekayaan alam yang dimiliki oleh Indonesia. Rempah-rempah sendiri memiliki banyak manfaat untuk Kesehatan ataupun hal-hal lain. Dari banyaknya rempah yang berada di Indonesia, ternyata masyarakat Indonesia sendiri masih memiliki pengetahuan yang rendah akan rempah-rembah tersebut. Hal ini menyebabkan banyak orang bahkan petani mengalami kesusahan dalam mengenali jenis rempah terutama remaja. Membedakan rempah satu dengan yang lain merupakan tantangan yang banyak dihadapi oleh masyarakat. Oleh sebab itu, penelitian ini membuat sebuah model klasifikasi dengan menggunakan convolution neural network dengan arsitektur VGG 16 yang dimodifikasi. Arsitektur modifikasi VGG 16 memiliki 10-layer yang terdiri dari 7-layer convolution dan 3-layer fully connected. Untuk fase latih model modifikasi VGG 16 ini menggunakan dataset rempah yang disediakan oleh Kaggle. Validasi model yang digunakan adalah akurasi, loss, precision, dan recall untuk membandingkan model mana yang memiliki nilai yang terbaik. Untuk model modifikasi VGG 16 yang dibuat untuk melakukan klasifikasi, mendapatkan hasil evaluasi rata-rata akurasi sebesar 81%, nilai recall sebesar 76%, dan nilai precision sebesar 81% untuk fase training dan untuk fase validasi, akurasi sebesar 85%, nilai recall sebesar 80%, dan nilai precision sebesar 84%. Jadi dengan model modifikasi VGG 16 dapat disimpulkan bahwa model mampu memprediksi rempah-rempah lebih baik dari model Alexnet.

Downloads

Download data is not yet available.

References

[1] A. W. Helmalia, P. Putrid, and A. Dirpan, “Potensi Rempah-Rempah Tradisional Sebagai Sumber Antioksidan Alami Untuk Bahan Baku Pangan Fungsional),” Canrea J. Food Technol. Nutr. Culin. J., vol. 2, no. 1, pp. 26–31, 2019, doi: 10.20956/canrea.v2i1.113.
[2] Y. Robi, S. M. Kartikawati, and . Muflihati, “Etnobotani Rempah Tradisional Di Desa Empoto Kabupaten Sanggau Kalimantan Barat,” J. Hutan Lestari, vol. 7, no. 1, pp. 130–142, 2019, doi: 10.26418/jhl.v7i1.31179.
[3] K.V. Peter, Handbook of Herbs and Spices. Elsevier Science, 2012.
[4] Liputan6dotcom, “Sulit Bedakan Rempah-Rempah seperti Jahe, Lengkuas, Kunyit, dan Kencur? Begini Caranya,” https://www.liputan6.com/, 2018. .
[5] I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural Network (Cnn),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020, doi: 10.14710/j.gauss.v9i3.27416.
[6] D. C. Khrisne and I. A. Suyadnya, “Indonesian Herbs and Spices Recognition using Smaller VGGNet-like Network,” 2018 Int. Conf. Smart Green Technol. Electr. Inf. Syst., vol. 4, pp. 221–224, 2018.
[7] Kaharuddin, Kusrini, and E. T. Luthfi, “Klasifikasi Jenis Rempah-Rempah Berdasarkan Fitur Warna Rgb Dan Tekstur Menggunakan Algoritma K-Nearest Neighbor,” J. Inf. Interaktif, vol. 4, no. 1, pp. 17–22, 2019.
[8] R. Xin, J. Zhang, and Y. Shao, “Complex network classification with convolutional neural network,” Tsinghua Sci. Technol., vol. 25, no. 4, pp. 447–457, Aug. 2020, doi: 10.26599/TST.2019.9010055.
[9] V. Atliha and D. Sesok, “Comparison of VGG and ResNet used as Encoders for Image Captioning,” 2020 IEEE Open Conf. Electr. Electron. Inf. Sci. eStream 2020 - Proc., pp. 1–4, 2020, doi: 10.1109/eStream50540.2020.9108880.
[10] A. Krizhevsky, I. Sutskever, and G. E. Hinton, Handbook of Approximation Algorithms and Metaheuristics. Chapman and Hall/CRC, 2007.
[11] “Rempah | Kaggle.” https://www.kaggle.com/awaltry/rempah (accessed Oct. 05, 2021).
[12] R. Rismiyati and A. Luthfiarta, “VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification,” Telematika, vol. 18, no. 1, p. 37, 2021, doi: 10.31315/telematika.v18i1.4025.
[13] Y. Zhou, H. Ni, F. Ren, and X. Kang, “Face and gender recognition system based on convolutional neural networks,” Proc. 2019 IEEE Int. Conf. Mechatronics Autom. ICMA 2019, pp. 1091–1095, 2019, doi: 10.1109/ICMA.2019.8816192.
[14] N. Tang, H. Liu, K. Yue, W. Li, and X. Yue, “Automatic classification for corneal ulcer using a modified VGG network,” Proc. - 2020 Int. Conf. Artif. Intell. Comput. Eng. ICAICE 2020, pp. 120–123, 2020, doi: 10.1109/ICAICE51518.2020.00029.
[15] Y. Q. Xuan Liu, Mingmin Chi, Yunfeng Zhang, “CLASSIFYING HIGH RESOLUTION REMOTE SENSING IMAGES BY FINE-TUNED VGG DEEP NETWORKS,” pp. 7141–7144, 2018.
[16] A. A. Almisreb, N. Jamil, and N. M. Din, “Utilizing AlexNet Deep Transfer Learning for Ear Recognition,” Proc. - 2018 4th Int. Conf. Inf. Retr. Knowl. Manag. Diving into Data Sci. CAMP 2018, pp. 8–12, 2018, doi: 10.1109/INFRKM.2018.8464769.
[17] C. Dong, Z. Zhang, J. Yue, and L. Zhou, “Classification of strawberry diseases and pests by improved AlexNet deep learning networks,” 2021 13th Int. Conf. Adv. Comput. Intell. ICACI 2021, pp. 359–364, 2021, doi: 10.1109/ICACI52617.2021.9435893.
[18] D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” in 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, Dec. 2014, pp. 1–15.