Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia
DOI:
https://doi.org/10.30812/matrik.v21i1.1492Keywords:
Convolution Neural Network, Rempah-rempah, VGG 16, Alexnet, Deep learningAbstract
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
References
[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.
Downloads
Published
Issue
Section
How to Cite
Similar Articles
- Ni Wayan Sumartini Saraswati, I Wayan Dharma Suryawan, Ni Komang Tri Juniartini, I Dewa Made Krishna Muku, Poria Pirozmand, Weizhi Song, Recognizing Pneumonia Infection in Chest X-Ray Using Deep Learning , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 1 (2023)
- Miftahus Sholihin, Mohd Farhan Bin Md. Fudzee, Lilik Anifah, A Novel CNN-Based Approach for Classification of Tomato Plant Diseases , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 3 (2025)
- Bambang Krismono Triwijoyo, Ahmat Adil, Anthony Anggrawan, Convolutional Neural Network With Batch Normalization for Classification of Emotional Expressions Based on Facial Images , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 1 (2021)
- Aris Tjahyanto, Faisal Johan Atletiko, Peningkatan Kinerja Pengklasifikasi Objek Bawah Laut dengan Deep Learning , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 3 (2022)
- Melinda Melinda, Zharifah Muthiah, Fitri Arnia, Elizar Elizar, Muhammad Irhmasyah, Image Data Acquisition and Classification of Vannamei Shrimp Cultivation Results Based on Deep Learning , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 3 (2024)
- Didih Rizki Chandranegara, Faras Haidar Pratama, Sidiq Fajrianur, Moch Rizky Eka Putra, Zamah Sari, Automated Detection of Breast Cancer Histopathology Image Using Convolutional Neural Network and Transfer Learning , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
- Susandri Susandri, Ahmad Zamsuri, Nurliana Nasution, Yoyon Efendi, Hiba Basim Alwan, The Mitigating Overfitting in Sentiment Analysis Insights from CNN-LSTM Hybrid Models , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 2 (2025)
- Aini Suri Talita, Aristiawan Wiguna, Implementasi Algoritma Long Short-Term Memory (LSTM) Untuk Mendeteksi Ujaran Kebencian (Hate Speech) Pada Kasus Pilpres 2019 , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 1 (2019)
- Muhammad Rizki, Arief Hermawan, Donny Avianto, Learning Accuracy with Particle Swarm Optimization for Music Genre Classification Using Recurrent Neural Networks , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 2 (2024)
- Jelita Asian, Dimas Erlangga, Media Ayu, Data Exfiltration Anomaly Detection on Enterprise Networks using Deep Packet Inspection , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
You may also start an advanced similarity search for this article.