Klasifikasi Jenis Rempah-Rempah Menggunakan Algoritma Convolutional Neural Network
Classification of Spice Types Using the Convolutional Neural Network Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i1.1018Keywords:
Convolutional Neural Network, Klasifikasi, Pengolahan Gambar, Rempah, RimpangAbstract
Rempah-rempah merupakan kekayaan alam Indonesia yang harus dilestarikan. Membedakan berbagai jenis rempah khususnya rimpang merupakan tantangan yang cukup besar bagi sebagian orang karena kemiripan visualnya. Pengolahan rempah dalam kemasan, minimnya keterlibatan langsung dalam pengolahannya, serta gaya hidup yang cenderung mengonsumsi makanan cepat saji menjadi faktor penyebab kurangnya pengetahuan mengenai wujud asli rempah. Meskipun terdapat pengenalan rempah secara tradisional dengan petunjuk dari buku, internet, atau seorang ahli, kurangnya pengetahuan luas mengenai karakteristik masing-masing rempah mengakibatkan kesulitan bagi masyarakat dalam mengidentifikasinya. Untuk mengatasi permasalahan tersebut diperlukan suatu sistem yang dapat membantu dalam mengidentifikasi jenis rimpang, salah satunya menggunakan metode Convolutional Neural Network melalui teknologi pengolahan citra. Metode ini merupakan teknik pembelajaran mendalam yang terbukti efektif dalam mengklasifikasikan jenis rimpang berdasarkan fitur visualnya, sehingga menawarkan solusi pengenalan rempah yang modern dan mudah diakses. Dataset citra dikategorikan menjadi empat kelas, dengan masing-masing kelas terdiri dari 250 citra dengan total 1000 citra. Arsitektur jaringan yang digunakan pada model terdiri dari empat lapisan konvolusi. Hasil pengujian menunjukkan bahwa model berhasil dalam melakukan klasifikasi citra dan memperoleh nilai akurasi tes terbaik sebesar 90%.
References
I. Wulandari, H. Yasin, T. Widiharih, D. Statistika, and U. Diponegoro, “Klasifikasi citra digital bumbu dan rempah dengan algoritma convolutional neural network (cnn) 1,2,3,” vol. 9, pp. 273–282, 2020.
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.
L. Hakim, Rempah & Herba Kebun-Pekarangan Rumah Masyarakat, I., no. 164. Diandra Creative, 2015.
M. Mayasari, D. Iskandar Mulyana, M. Betty Yel, and S. Tinggi Ilmu Komputer Cipta Karya Informatika Jl Raden, “Komparasi Klasifikasi Jenis Tanaman Rimpang Menggunakan Principal Component Analiysis, Support Vector Machine, K-Nearest Neighbor Dan Decision Tree,” J. Tek. Inform. Kaputama, vol. 6, no. 2, 2022.
K. H. Indrani, D. C. Khrisne, and I. M. A. Suyadnya, “Android Based Application for Rhizome Medicinal Plant Recognition Using SqueezeNet,” J. Electr. Electron. Informatics, vol. 4, no. 1, p. 10, 2020, doi: 10.24843/jeei.2020.v04.i01.p02.
N. Fadlia and R. Kosasih, “Klasifikasi Jenis Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn),” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 207–215, 2019, doi: 10.35760/tr.2019.v24i3.2397.
S. Y. Riska and L. Farokhah, “Klasifikasi Bumbu Dapur Indonesia Menggunakan Metode K-Nearest Neighbors (K-NN),” Smatika J., vol. 11, no. 01, pp. 37–42, 2021, doi: 10.32664/smatika.v11i01.568.
I. W. Prastika, E. Zuliarso, J. T. Lomba, J. No, and S. 50241, “Deteksi Penyakit Kulit Wajah Menggunakan Tensorflow Dengan Metode Convolutional Neural Network,” J. Manaj. Inform. Sist. Informasi), vol. 4, no. 2, pp. 84–91, 2021, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/misi.
M. A. Hidayat, N. L. Husni, and F. Damsi, “Pendeteksi Banjir Dengan Image Processing Berbasis Convolutional Neural Network (CNN) pada Kamera Pengawas,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, pp. 10–18, 2022, doi: 10.57152/malcom.v2i2.382.
W. Setiawan, Deep Learning Menggunakan Convolutional Neural Network: Teori dan Aplikasi, I. 2020.
S. F. Tumewu, D. H. Setiabud, and I. Sugiarto, “Klasifikasi Motif Batik menggunakan Metode Deep Convolutional Neural Network dengan Data Augmentation,” J. Infra, vol. 8, no. 2, pp. 189–194, 2020.
J. Sanjaya and M. Ayub, “Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 311–323, 2020, doi: 10.28932/jutisi.v6i2.2688.
W. D. Mega Pradnya and A. Putri Kusumaningtyas, “Analisis Pengaruh Data Augmentasi Pada Klasifikasi Bumbu Dapur Menggunakan Convolutional Neural Network,” J. Media Inform. Budidarma, vol. 6, no. 4, pp. 2022–2031, 2022, doi: 10.30865/mib.v6i4.4201.
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,” vol. 21, no. 1, 2021, doi: 10.30812/matrik.v21i1.xxx.
K. Wisnudhanti and F. Candra, “Image Classification of Pandawa Figures Using Convolutional Neural Network on Raspberry Pi 4,” J. Phys. Conf. Ser., vol. 1655, no. 1, 2020, doi: 10.1088/1742-6596/1655/1/012103.
R. Prabowo, Y. Heningtyas, machudor Yusman, M. Iqbal, and O. D. E. Wulansari, “Klasifikasi Image Tumbuhan Obat (Keji Beling) Menggunakan Artificial Neural Network,” J. Komputasi, vol. 9, no. 2541–0350, pp. 88–92, 2021, doi: 10.23960/komputasi.v9i2.2868.
M. F. Nazil, A. B. Firmansyah, and R. Purbaningtyas, “Klasifikasi Keparahan Demensia Alzheimer Menggunakan Metode Convolutional Neural Network pada Citra MRI Otak,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 1–7, 2023, doi: 10.57152/malcom.v3i1.200.
G. W. Intyanto, “Klasifikasi Citra Bunga dengan Menggunakan Deep Learning: CNN (Convolution Neural Network),” J. Arus Elektro Indones., vol. 7, no. 3, p. 80, 2021, doi: 10.19184/jaei.v7i3.28141.
O. Nurima Putri, “Implementasi Metode Cnn Dalam Klasifikasi Gambar Jamur Pada Analisis Image Processing,” Universitas Islam Indonesia, 2020.
M. F. Naufal and S. F. Kusuma, “Pendeteksi Citra Masker Wajah Menggunakan CNN dan Transfer Learning,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 6, p. 1293, 2021, doi: 10.25126/jtiik.2021865201.
A. Géron and R. Russell, “Machine learning step-by-step guide to implement machine learning algorithms with Python,” O’Reilly Media, Inc, p. 106, 2019.
