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
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.
[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
2021-11-27
Issue
Section
Articles
How to Cite
[1]
E. Tanuwijaya and A. Roseanne, “Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia”, MATRIK, vol. 21, no. 1, pp. 189–196, Nov. 2021, doi: 10.30812/matrik.v21i1.1492.
Similar Articles
- Wikky Fawwaz Al Maki, Amien Jafar Makrufi, Support vector machine with a firefly optimization algorithm for classification of apple fruit disease , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 1 (2022)
- Samsurizal Samsurizal, Arif Nur Afandi, Mohamad Rodhi Faiz, Artificial Intelligence Enhanced Direct Current Fast ChargingIntegration for Electric Vehicles on 20 kV Grids: A Technical andOntological Study , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 3 (2025)
- Dinny Komalasari, Maria Ulfa, Pengujian Usability Heuristic Terhadap Perangkat Lunak Pembelajaran Matematika , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 2 (2020)
- Viva Arifin, Velia Handayani, Luh Kesuma Wardhani, Hendra Bayu Suseno, Siti Ummi Masruroh, User Interface and Exprience Gamification-Based E-Learning with Design Science Research Methodology , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 1 (2022)
- Heru Pramono Hadi, Eko Hari Rachmawanto, Rabei Raad Ali, Comparison of DenseNet-121 and MobileNet for Coral Reef Classification , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 2 (2024)
- Rizki Rino Pratama, Analisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 2 (2020)
- Uswatun Hasanah, Neny Sulistianingsih, PEMODELAN SISTEM PENJADWALAN PRAKTIKUM LABORATORIUM MENGGUNAKAN ALJABAR MAXPLUS (STUDI KASUS DI STMIK BUMIGORA MATARAM) , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 15 No. 1 (2015)
- Cherfly Kaope, Yoga Pristyanto, The Effect of Class Imbalance Handling on Datasets Toward Classification Algorithm Performance , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 2 (2023)
- M Safii, Husain Husain, Khairan Marzuki, Support Vector Machine Optimization for Diabetes Prediction Using Grid Search Integrated with SHapley Additive exPlanations , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 25 No. 1 (2025)
- Pungkas Subarkah, Enggar Pri Pambudi, Septi Oktaviani Nur Hidayah, Perbandingan Metode Klasifikasi Data Mining untuk Nasabah Bank Telemarketing , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 1 (2020)
You may also start an advanced similarity search for this article.
.png)
