Klasifikasi Jenis Rempah Menggunakan Convolutional Neural Network dan Transfer Learning

Alvin Eka Putra, Mohammad Farid Naufal, Vincentius Riandaru Prasetyo

Abstract


Rempah merupakan salah satu kekayaan yang dimiliki oleh Indonesia. Berdasarkan data yang dimiliki Negari Rempah Foundation, terdapat sekitar 400 hingga 500 spesies rempah di dunia dan 275 jenis rempah terdapat di Asia Tenggara terutama di Indonesia. Jenis rempah beragam dan memiliki kemiripan satu dengan yang lain sehingga sulit untuk dibedakan. Maka dari itu untuk mempertahankan pengetahuan mengenai rempah-rempah yang dimiliki Indonesia, diperlukan aplikasi klasifikasi jenis rempah yang akurat sehingga pengetahuan masyarakat tentang rempah tetap terjaga. Selain itu di bidang industri dapat meningkatkan efisiensi dalam industri rempah. Penggunaan teknologi dalam klasifikasi jenis rempah dapat meningkatkan efisiensi dalam industri rempah. Dengan teknologi yang tepat, waktu yang dibutuhkan untuk mengidentifikasi jenis rempah dapat dipercepat, dan juga meminimalkan risiko kesalahan manusia. Keterbatasan citra rempah juga menjadi permasalahan pada klasifikasi jenis rempah. Convolutional Neural Network (CNN) dengan arsitektur transfer learning adalah metode klasifikasi citra yang memiliki performa yang baik pada dataset dengan jumlah yang terbatas. Eksperimen yang dilakukan menggunakan 6 arsitketur CNN, yaitu Xception, MobileNetV2, DenseNet201, VGG16, VGG19, dan ResNet50. Terdapat 10 jenis rempah yang diklasifikasikan yaitu jahe, kunyit, kunci, adas, merica, laos, jintan, kencur, temulawak, dan ketumbar. Berdasarkan hasil eksperimen yang dilakukan Xception adalah arsitektur terbaik dengan F1 Score sebesar 96.99%.


Keywords


CNN; Rempah; Deep Learning; Transfer Learning

Full Text:

PDF

References


L. Hakim, Rempah & Herba Kebun-Pekarangan Rumah Masyarakat, no. 164. 2015.

“Beranda - Negeri Rempah.” https://negerirempah.org/id/ (accessed Sep. 02, 2022).

D. Marihandono and B. Kanumoyoso, Rempah, Jalur Rempah, Dan Dinamika Masyarakat Nusantara. 2016.

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.

E. Tanuwijaya and A. Roseanne, “Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah- Rempah Indonesia Classification of Indonesian Spices Digital Image using Modified VGG 16 Architecture,” Matrik J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 191–198, 2021, doi: 10.30812/matrik.v21i1.xxx.

N. P. Batubara, D. Widiyanto, and N. Chamidah, “Klasifikasi rempah rimpang berdasarkan ciri warna rgb dan tekstur glcm menggunakan algoritma naive bayes,” Inform. J. Ilmu Komput., vol. 16, no. 3, p. 156, 2020, doi: 10.52958/iftk.v16i3.2196.

J. W. Tan, K. M. Lim, and C. P. Lee, “Herb Classification with Convolutional Neural Network,” 3rd IEEE Int. Conf. Artif. Intell. Eng. Technol. IICAIET 2021, Sep. 2021, doi: 10.1109/IICAIET51634.2021.9573706.

C. Tan, F. Sun, T. Kong, W. Zhang, C. Yang, and C. Liu, “A survey on deep transfer learning,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 11141 LNCS, pp. 270–279, 2018, doi: 10.1007/978-3-030-01424-7_27.

Y. Lecun, L. Bottou, Y. Bengio, and P. Ha, “LeNet,” Proc. IEEE, no. November, pp. 1–46, 1998.

F. Chollet, “XCeption: Deep Learning with Depthwise Separable Convolutions,” Comput. Vis. Found., 2016, doi: 10.4271/2014-01-0975.

T. Ben Abdallah, I. Elleuch, and R. Guermazi, “Student Behavior Recognition in Classroom using Deep Transfer Learning with VGG-16,” Procedia Comput. Sci., vol. 192, pp. 951–960, Jan. 2021, doi: 10.1016/J.PROCS.2021.08.098.

K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” undefined, vol. 2016-December, pp. 770–778, Dec. 2016, doi: 10.1109/CVPR.2016.90.

J. Xiao, J. Wang, S. Cao, and B. Li, “Application of a Novel and Improved VGG-19 Network in the Detection of Workers Wearing Masks,” J. Phys. Conf. Ser., vol. 1518, no. 1, pp. 0–6, 2020, doi: 10.1088/1742-6596/1518/1/012041.

A. Victor Ikechukwu, S. Murali, R. Deepu, and R. C. Shivamurthy, “ResNet-50 vs VGG-19 vs training from scratch: A comparative analysis of the segmentation and classification of Pneumonia from chest X-ray images,” Glob. Transitions Proc., vol. 2, no. 2, pp. 375–381, Nov. 2021, doi: 10.1016/J.GLTP.2021.08.027.

L. Zhang, J. Wang, B. Li, Y. Liu, H. Zhang, and Q. Duan, “A MobileNetV2-SENet-based method for identifying fish school feeding behavior,” Aquac. Eng., vol. 99, p. 102288, Nov. 2022, doi: 10.1016/J.AQUAENG.2022.102288.

M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 4510–4520, Jan. 2018, Accessed: May 27, 2021. [Online]. Available: http://arxiv.org/abs/1801.04381

M. B. Hossain, S. M. H. S. Iqbal, M. M. Islam, M. N. Akhtar, and I. H. Sarker, “Transfer learning with fine-tuned deep CNN ResNet50 model for classifying COVID-19 from chest X-ray images,” Informatics Med. Unlocked, vol. 30, p. 100916, Jan. 2022, doi: 10.1016/J.IMU.2022.100916.

G. Huang, Z. Liu, L. van der Maaten, and K. Q. Weinberger, “Densely Connected Convolutional Networks,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-January, pp. 2261–2269, Aug. 2016, Accessed: May 27, 2021. [Online]. Available: http://arxiv.org/abs/1608.06993




DOI: http://dx.doi.org/10.26418/jp.v9i1.58186

Refbacks

  • There are currently no refbacks.