JIUP - Deny Ardianto

Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
Klasifikasi Citra Daging Sapi dan Babi Menggunakan Convolutional Neural

Network (CNN) dengan Arsitektur EfficientNet-B2 dan Augmentasi Data
Deny Ardianto1, Jasril2, Suwanto Sanjaya3, Lestari Handayani4, Fadhilah Syafria5
Teknik Informatika, Universitas Islam Negeri Sultan Syarif Kasim Riau, Jl. H. R. Soebrantas No.
155 KM 15 Kel. Simpang Baru Kec. Tampan Pekanbaru, Indonesia, 28293
e-mail: [email protected], [email protected], 3suwantosanjaya@uin-
suska.ac.id, [email protected], [email protected]
Submitted Date: MMMM dd, yyyy Reviewed Date: MMMM dd, yyyy
Revised Date: MMMM dd, yyyy Accepted Date: MMMM dd, yyyy
Abstract
Every year, the demand for beef in Indonesia continues to experience a significant increase. The
increasing demand for beef is often used by traders to get more profit by mixing beef and pork (mixed).
Manually differentiating beef, pork and meat mix using smell and sight is very difficult. To help
distinguish the meat can use technology, namely image processing. The method used in this research is
image processing using Convolutional Neural Network (CNN) with EfficirntNet-B2 architecture to
perform classification. In this study, the image data augmentation process was also carried out to increase
the number of images with the aim of increasing accuracy. The number of original meat images of 900
has increased after the augmentation process, to 9000 images which include beef, pork, and mixtures. The
dataset is divided into two, namely the training and testing dataset with a ratio of 80:20 and 90:10. The
results of the highest classification accuracy in this study were 98,22%, accuracy, 98,25% precision,
98,22% recall, and 98,22% f1-score using image augmentation dataset with a combination of Adamax
optimizer, Swish activation, and learning rate 0.1 by using a data comparison ratio of 90:10.
Keywords: Meat; Convolutional Neural Networks; Classification; EfficientNet-B2; Augmentation
Abstrak
Setiap tahun, permintaan terhadap daging sapi di Indonesia terus mengalami peningkatan yang
signifikan. Meningkatnya kebutuhan daging sapi ini sering dimanfaatkan oleh pedagang untuk
mendapatkan untung lebih dengan cara mencampurkan daging sapi dan babi (oplosan). Membedakan
daging sapi, babi, dan oplosan secara manual menggunakan penciuman dan penglihatan manusia
sangatlah sulit. Untuk membantu membedakan daging tersebut dapat menggunakan teknologi yaitu
pengolahan citra. Metode yang digunakan dalam penelitian ini adalah pengolahan citra dengan
menggunakan Convolutional Neural Network (CNN) berarsitektur EfficientNet-B2 untuk melakukan
klasifikasi. Pada penelitian ini juga dilakukan proses augmentasi data citra untuk memperbanyak citra
dengan tujuan meningkatkan akurasi. Jumlah citra asli daging sebanyak 900 telah mengalami peningkatan
setelah dilakukan proses augmentasi, menjadi 9000 citra yang mencakup daging sapi, babi, dan oplosan.
Dataset dibagi menjadi dua, yaitu dataset training dan testing dengan rasio perbandingan 80:20 dan
90:10. Hasil akurasi klasifikasi tertinggi pada penelitian ini yaitu 98,22% accuracy, 98,25% precision,
98,22% recall, dan 98,22% f1-score menggunakan dataset citra augmentasi dengan kombinasi optimizer
Adamax, activation Swish, dan learning rate 0.1 dengan menggunakan rasio perbandingan data 90:10.
Kata kunci: Daging; Convolutional Neural Network; Klasifikasi; EfficientNet-B2; Augmentasi
1. Pendahuluan menjaga massa otot, meningkatkan performa

Daging memiliki kandungan protein latihan, mencegah anemia, memelihara sistem
berkualitas tinggi dan kaya akan vitamin serta kekebalan tubuh, dan mempercantik kulit dan
mineral. Dalam kategori daging merah, daging rambut (Azmi, 2021). Pada tahun 2022, kebutuhan
sapi memiliki kandungan zat besi yang lebih konsumsi daging sapi per orang di Indonesia
tinggi dibandingkan dengan ayam dan ikan. mencapai 2,57 kg per tahun, mengalami
Daging sapi memiliki berbagai manfaat seperti, peningkatan dari konsumsi pada tahun 2021 yang
http://openjournal.unpam.ac.id/index.php/informatika 1
sebesar 2,46 kg per tahun. Berdasarkan laporan dikarenakan sudah banyak penelitian yang
(Iim Fathimah Timorria, 2022), terjadi menggunakan EfficientNet-B2 dan mendapatkan
peningkatan kebutuhan daging sapi dari 669.732 akurasi yang tinggi serta mengungguli metode
ton menjadi 706.388 ton. lainnya seperti pada penelitian yang dilakukan
Meningkatnya kebutuhan daging sapi ini oleh Rusul Ali Jabbar Alhatemi dan Serkan Savas
dimanfaatkan oleh pedagang untuk mendapatkan (Alhatemi & Savaş, 2022). Begitupun dengan
keuntungan lebih dengan cara mencampurkan penelitian mendeteksi glukoma yang juga
daging sapi dengan daging babi (Iswinarno, 2020) menggunakan EfficientNet-B2 (Hidayat & Al
(Lova, 2020). Perbuatan mencampuradukkan Maki, 2022). Penelitian tersebut juga
daging sapi dan daging babi ini dapat menggunakan proses augmentasi dan
menyebabkan kerugian bagi pembeli, terutama hyperparameter. Melalui proses augmentasi,
bagi individu Muslim. Sebab, dalam Al-Qur'an akurasi pada data latih dapat ditingkatkan dan data
(surah Al-Baqarah ayat 173) dijelaskan bahwa data tambahan dapat diperoleh. Hal ini terbukti
daging babi diharamkan bagi umat Muslim. Ada dalam penelitian yang dilakukan oleh (Lasniari et
banyak dampak negatif yang akan didapatkan jika al., 2022), dimana jumlah dataset citra daging
memekan makanan haram, seperti tidak original awalnya terdiri dari 457 citra, namun
dikabulkannya doa, amalan tidak diterima, setelah melalui proses augmentasi, jumlahnya
membawa ke neraka, berkurangnya iman di hati, meningkat menjadi 2742 citra.
dan rusaknya keturunan (Ekawati, 2021). Bidang Artificial Intelligence banyak
Dalam membedakan daging sapi, daging digunakan untuk berbagai penelitian. Penelitian
babi, dan daging oplosan secara manual menggunakan Machine Learning telah banyak
menggunakan penciuman dan penglihatan digunakan sebelumnya, seperti penelitian yang
manusia sangatlah sulit. Untuk membantu dalam dilakukan oleh Nurul Lihayati, Ratri Enggar
memebedakan daging sapi, daging babi, dan Pawening, dan Muhammad Furqan pada tahun
daging oplosan maka dibutuhkan ketelitian dan 2016 tentang klasifikasi jenis daging berdasarkan
alat bantu berupa sebuah teknologi. Salah satu tekstur menggunakan metode gray level coocurent
teknologi yang dapat dimanfaatkan pada masa matrix k-NN mendapatkan akurasi tertinggi 73,3%
sekarang ini yaitu pengolahan citra. Pemanfaatan (Lihayati et al., 2016). Hasil akurasi menggunakan
pengolahan citra sudah digunakan untuk Machine Learning belum mencapai angka yang
membedakan daging sapi, daging babi, dan daging maksimal. Dewasa ini terdapat metode baru yaitu
oplosan. Deep Learning yang menunjukkan akurasi lebih
Penelitian-penelitian terkait pemanfaatan maksimal. Beberapa penelitian telah dilakukan
pengolahan citra untuk membedakan daging sapi dalam membandingkan metode Machine Learning
dan daging babi telah dilakukan diantaranya dan Deep Learning. Penelitian (Amriza &
dengan melakukan preprocessing, segmentasi Supriyadi, 2021) menunjukkan bahwa metode
warna, ekstraksi, dan klasifikasi menggunakan Deep Learning memiliki performa yang lebih baik
algoritma Learning Vector Quantization (LVQ) dan lebih stabil dibandingkan dengan metode
(Sudibyo et al., 2018) dan juga penelitian (Jasril & Machine Learning. Hasil penelitian (Amriza &
Sanjaya, 2018) yang menggunakan Learning Supriyadi, 2021) yang dilakukan, Convolutional
Vector Quantization 3 (LVQ3) dan Spatial Fuzzy Neural Network (CNN) memiliki tingkat
C-Means (SFCM). Begitu juga (Lasniari et al., keakuratan klasifikasi emosi tertinggi pada
2022) mengklasifikasikan citra dagingn sapi dan dataset semeval dengan akurasi 81,64%, lebih
daging babi dengan menerapkan Deep Learning baik dibandingkan Random Forest, Naïve Bayes,
menggunakan metode Convolutional Neural Logistic Regression, Gradient Boosting, dan
Network (CNN) arsitektur ResNet-50. Peter SVM.
Winardi dan Endang Setyati juga juga melakukan Penelitian menggunakan Deep Learning
penelitian dengan ekstraksi warna dan deteksi tepi lainnya juga menunjukan akurasi yang cukup
menggunakan Convolutional Neural Network tinggi. Penelitian identifikasi kemurnian daging
(CNN) dilakukan dalam 2 bagian sistem arsitektur menggunakan Convolutional Neural Network
Training dan Validation beserta testing (Winardi (CNN) yang dapat dioperasikan di android dengan
& Setyati, 2021). proses ekstraksi citra dan klasifikasi mendapatkan
Dalam penelitian ini, metode yang akan akurasi 94% untuk deteksi daging sapi, daging
digunakan adalah Convolutional Neural Network babi, dan daging oplosan, precision masing-
(CNN) dengan arsitektur EfficientNet-B2. Alasan masing 100%, 90%, dan 95% serta recall masing-
menggunakan arsitektur EfficientNet-B2 masing 85%, 95%, dan 97,5% (Yulianti et al.,
2021). Penelitian Handayani, dkk melakukan EfficientNet-B2 lebih unggul dibandingkan dengan
klasifikasi citra tekstur dan warna daging babi dan arsitektur lainnya (DenseNet121, ResNet-50,
daging sapi menggunakan Probabilistik Neural Xception, MobileNet, dan VGG16).
Network (PNN) (Handayani et al., 2017). Selain Penelitian ini bertujuan untuk mengukur
itu, Pulung Adi Nugroho, dkk juga pernah akurasi tertinggi dari hasil ekperimen klasifikasi
melakukan penelitian menggunakan daging sapi, daging babi, dan daging oplosan
Convolutional Neural Network (CNN) pada menggunakan Convolutional Neural Network
ekspresi manusia, accuracy training yang didapat (CNN) dengan arsitektur EffecientNet-B2 dan
sebesar 90% dan validation sebesar 65% membandingkan apakah proses augmentasi data
(Nugroho et al., 2020). Begitu pula pada pada penelitian ini dapat meningkatkan akurasi.
penelitian (Pangkasidhi, A. K., Palit, H. N., &
Tjondrowiguno, 2021) menggunakan 2. Metode Penelitian
Convolutional Neural Network (CNN) dengan Tahapan penelitian yang dilakukan dapat
arsitektur EfficientNet-B0, EfficientNet-B1, dan dilihat pada Gambar 1.
EfficentNet-B2 yang mendapatkan akurasi 96%,
serta f1-score, recall, precision, specificity diatas
95% dalam diagnosis COVID-19 yang
menganalisis hasil X-Ray paru-paru.
Penelitian terkait klasifikasi citra daging
sapi dan daging babi dilakukan oleh Gusrifaris
Yuda Alhafis, dkk menggunakan ekstraksi ciri dan
Convolutional Neural Network (CNN), jumlah
data sebanyak 3.000 citra yang terbagi menjadi 3
kelas, yaitu daging sapi, daging babi, dan daging
oplosan, data dibagi dengan rasio data latih dan
data uji 80:20 (Yuda Alhafis et al., 2022). Hasil
penelitian (Yuda Alhafis et al., 2022)
menunjukkan performa klasifikasi tertinggi
dengan 95,15% accuracy, 92,72% precision,
95,5% recall, dan 94,09 f1-score. Selain itu,
klasifikasi citra daging sapi dan daging babi
menggunakan Convolutional Neural Network
(CNN) arsitektur ResNet-50 juga dilakukan
dengan optimizer SGD mendapat akurasi sebesar
97,83%, precision 97%, recall 97%, dan f1-score
Gambar 1. Tahapan Penelitian
97% dengan kondisi batch size 32, learning rate
0.01, dan epoch 50 (Efendi et al., 2022).
2.1 Pengumpulan Data
Beberapa penelitian Menggunakan
Pada tahap awal, dilakukan pengumpulan
Convolutional Neural Network (CNN) dengan
data yang terdiri dari citra-citra daging sapi,
arsitektur EfficientNet-B2 sudah dilakukan
daging babi, dan daging oplosan. Data yang
Suhardi Aras, dkk melakukan klasifikasi motif
digunakan dalam penelitian ini merupakan data
batik Papua menggunakan EfficientNet-B2 dan
primer yang diperoleh melalui pengambilan
Transfer Learning mendapatkan akurasi sebesar
sampel daging sapi dan daging babi yang dibeli di
72% dengan fine tuning dan ditambahkan teknik
Pasar Bawah di Kota Pekanbaru, Provinsi Riau.
augmentasi data mendapat akurasi 90%
Setelah mendapatkan daging tersebut, dilakukan
menggunakan ColorJitter dan Contrast (Aras et
pengambilan citra menggunakan kamera
al., 2022). Penelitian (Alhatemi & Savaş, 2022)
handphone Redmi Note 8 Pro dengan resolusi
melakukan Transfer Learning-Based
64MP, Vivo V20 dengan resolusi 64MP, dan
perbandingan klasifikasi stroke menggunakan
Redmi Note 10 Pro dengan resolusi 108MP.
beberapa model arsitektur, dataset studi terdiri
Dalam pengumpulan data, terdapat total 900 citra
dari 1901 citra latih, 472 citra validasi, dan 250
daging yang terbagi menjadi 300 citra daging sapi,
citra uji. Akurasi dari keseluruhan model terbaik
300 citra daging babi, dan 300 citra daging
adalah 98.8% dan nilai yang sama untuk
oplosan.
precision, recall, dan f1-score. Pada penelitian
(Alhatemi & Savaş, 2022) menyebutkan arsitektur
2.2 Preprocessing terdapat contoh citra yang telah melalui proses

Setelah pengambilan citra daging, langkah augmentasi.
selanjutnya adalah tahap preprocessing. Tahap ini
bertujuan untuk mengambil informasi dari citra
dan memperbaiki citra agar lebih sesuai untuk
tahap selanjutnya. Beberapa teknik yang
digunakan dalam tahap ini meliputi cropping,
resize, dan augmentasi.
a. Cropping Gambar 4. Citra Augmentasi Vertical flip
Tahap cropping dilakukan untuk 2.3 Pembagian Data
menghapus bagian-bagian yang tidak diinginkan Setelah citra-citra telah melalui proses
atau berisikan noise pada citra daging. Bagian augmentasi, langkah selanjutnya adalah membagi
yang tidak dibutuhkan ini dapat mengganggu data menjadi tiga jenis, yaitu data latih, data
proses ekstraksi informasi dari citra. Proses validasi, dan data uji. Dalam penelitian ini,
crooping dilakukan secara manual menggunakan digunakan dua rasio pembagian data, yaitu 80:20
aplikasi di handphone. Contoh citra setelah di dan 90:10. Tabel 1 dan Tabel 2 menyajikan
crooping dapat dilihat pada Gambar 2. pembagian jumlah data yang terjadi dalam
penelitian ini.
Tabel 1. Pembagian Data Asli

Jumlah citra
Data
Data Pelatihan
Gambar 2. Citra Cropping Rasio Kelas Pegujian
b. Resize Data Data
Data Uji
Citra yang sudah di crop, selanjutnya latih validasi
dilakukan tahapan resize. Tahap resize dilakukan Sapi 192 48 60
untuk mengubah ukuran citra agar seragam sesuai 80:20 Babi 192 48 60
Oplosan 192 48 60
dengan kebutuhan penelitian. Ukuran citra yang
Sapi 243 27 30
digunakan dalam arsitektur EfficientNet-B2 adalah
90:10 Babi 243 27 30
260x260 piksel. Proses resize dilakukan
Oplosan 243 27 30
menggunakan bahasa pemrograman python.
Contoh citra setelah di resize dapat dilihat pada Tabel 2. Pembagian Data Augmentasi
Gambar 3. Jumlah citra
Data
Data Pelatihan
Rasio Kelas Pegujian
Data Data
Data Uji
latih validasi
Sapi 1920 480 600
80:20 Babi 1920 480 600
Oplosan 1920 480 600
Gambar 3. Citra Resize Sapi 2430 270 300
c. Augmentasi 90:10 Babi 2430 270 300
Tahap berikutnya adalah melakukan Oplosan 2430 270 300
augmentasi data. Augmentasi data digunakan
untuk memperbanyak jumlah data latih dengan 2.4 Klasifikasi
tujuan untuk meningkatkan akurasi model CNN Dalam penelitian ini, terdapat dua tahap
EfficientNet-B2 yang akan digunakan. Teknik yang dilakukan untuk melakukan klasifikasi, yaitu
augmentasi yang akan diterapkan pada penelitian tahap pelatihan dan pengujian.
ini adalah horizontal flip, vertical flip, rotation, a. Pelatihan
dan brightness shift. Jumlah yang dihasilkan dari Pelatihan dilakukan menggunakan data
proses augmentasi tiap citra sebanyak 10 citra yang sudah dibagi menjadi data latih. Pada rasio
augmentasi, sehingga total citra augmentasi adalah 80:20 data yang dilatih masing-masing berjumlah
3000 citra untuk masing-masing daging dan 9000 192 citra asli dan 1920 citra augmentasi
citra untuk keseluruhan daging. Pada Gambar 4, sedangkan pada rasio 90:10 data yang dilatih
masing-masing berjumlah 243 citra asli dan 2430 penelitian ini akan menggunakan salah satu
citra augmentasi. arsitektur pada CNN yaitu arsitektur
1. Convolutional Neural Network (CNN) EfficientNet-B2. Berikut ini adalah
Penggunaan deep learning pada arsitektur EfficientNet-B2 yang digunakan
penelitian ini dengan metode CNN. Metode pada penelitian ini dapat dilihat pada
CNN memiliki keunggulan dalam mengolah Gambar 5.
data citra gambar ataupun video. Pada
Gambar 5. Arsitektur EfficientNet-B2

c. Recall
2. Hyperparameter Optimization TP
Hyperparameter Optimization 𝑅𝑒𝑐𝑎𝑙𝑙 ¿
TP+ FN
digunakan untuk mengoptimalkan loss (3)
function pada model neural network. Pada d. F1-Score
penelitian ini Hyperparameter Optimization Precision x Recall
yang digunakan yaitu activation function 𝐹1 𝑆𝑐𝑜𝑟𝑒 ¿ 2 x
Precision+ Recall
(ReLu, LeakyReLu, dan Swish), optimizer
(4)
(Adamax dan RAdam), dan learning rate
(0.1 dan 0.01).
3. Hasil dan Pembahasan
Pada penelitian ini eksperimen yang
b. Pengujian
dilakukan keseluruhan sebanyak 48 eksperimen,
Pengujian dilakukan setelah tahap
24 eksperimen menggunakan rasio pembagian
klasifikasi data latih selesai. Data yang digunakan
data 80:20 dan 24 eksperimen menggunakan
pada tahap ini berjumlah masing-masing 60 citra
pembagian data 90:10 dengan 25 kali
asli dan 600 citra augmentasi pada rasio 80:20
iterasi(epoch) pada setiap eksperimen. Eksperimen
serta 30 citra asli dan 300 citra augmentasi pada
dilakukan untuk mencari akurasi tertinggi dari
rasio 90:10.
kombinasi hyperparameter, kombinasi
hyperparameter dapat dilihat pada Tabel 3.
2.5 Evaluasi
Tahap selanjutnya yaitu evaluasi hasil dari Tabel 3. Kombinasi Hyperparameter
beberapa langkah yang telah dilakukan Acti O
sebelumnya, evaluasi pada penelitian ini C R Lea
vati pt
menggunakan confusion matrix. Confusion matrix i a rni
on i
adalah matriks evaluasi yang membandingkan t s ng
Fun m
r i Rat
hasil klasifikasi dengan nilai sebenarnya (Habibi ctio iz
a o e
Aghdam et al., 2018). Matriks yang digunakan n er
adalah accuracy, precision, recall, dan f1-score. A
Berikut rumus dari matrix tersebut. da
a. Accuracy 8 m
0.1
TP+TN A 0 ax
ReL
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 ¿ (1) s :
0.0 u
TP+ TN + FP+ FN li 2 R
b. Precision 1
0 A
TP da
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ¿ (2) m
TP+ FP
A 9 0.1 ReL A
da da
m m
0 ax A
s : da
0.0 u
li 1 R 8 m
1 0.1
0 A A 0 Lea ax
da u : kyR
0.0
m g 2 eLu R
1
A 0 A
da da
8 m m
0.1
A 0 Lea ax A
s : kyR da
0.0
li 2 eLu R 9 m
1 0.1
0 A A 0 Lea ax
da u : kyR
0.0
m g 1 eLu R
1
A 0 A
da da
9 m m
0.1
A 0 Lea ax A
s : kyR da
0.0
li 1 eLu R 8 m
1 0.1
0 A A 0 ax
Swi
da u :
0.0 sh
m g 2 R
1
A 0 A
da da
8 m m
0.1
A 0 ax A
Swi
s : da
0.0 sh
li 2 R 9 m
1 0.1
0 A A 0 ax
Swi
da u :
0.0 sh
m g 1 R
1
A 0 A
da da
9 m m
0.1
A 0 ax Dalam penelitian ini, eksperimen dilakukan
Swi
s : menggunakan platform Google Colab dengan
0.0 sh
li 1 R menggunakan bahasa pemrograman Python.
1
0 A Setiap eksperimen pada penelitian ini
da
memanfaatkan library tensorflow, numpy, pandas,
m
A
matplotlib, dan efficientnet. Eksperimen dengan
da Google Colab dijalankan menggunakan runtime
8 m dengan Tensor Processing Unit (TPU) dan
0.1 Graphics Processing Unit (GPU). Hardware yang
A 0 ax
ReL
u : digunakan memiliki spesifikasi processor AMD
0.0 u
g 2
1
R Ryzen 7 4800H (16CPUs)~2.9GHz, memori RAM
0 A 16GB, dan GPU Nvidia GeForce GTX 1650 Ti.
da
m 3.1 Pelatihan
A 9 0.1 ReL A Nilai akurasi pada tahap pelatihan dengan
u 0 u da
rasio pembagian data 80:20 dapat dilihat pada
g : 0.0 m
1 1 ax
Tabel 4. Pada Tabel 4 dapat dilihat bahwa hasil
0 pelatihan klasifikasi yang dilakukan dengan
R EfficientNet-B2 dengan rasio 80:20 mendapat
A akurasi pelatihan tertinggi untuk dataset citra asli
pada eksperimen ke-2. Sementara pada dataset

citra yang telah mengalami proses augmentasi, Gambar 6 menampilkan grafik loss dan
eksperimen ke-16 menghasilkan akurasi pelatihan akurasi dari eksperimen yang menggunakan
tertinggi. Grafik loss dan akurasi dari kedua optimizer Adamax, activation ReLU, dan learning
eksperimen tersebut tersedia dalam Gambar 6 dan rate 0.01 dengan menggunakan dataset citra asli.
Gambar 7. Akurasi pelatihan pada eksperimen tersebut
sebesar 99,65% dan akurasi validasi sebesar
62,50%. Akurasi pelatihan pada dataset citra asli
dengan rasio pembagian data 80:20 rata-rata
mendapat nilai yang tinggi tetapi akurasi validasi
mendapat nilai yang rendah.
Gambar 6. Grafik Loss dan Accuracy Eksperimen

ke-2 Rasio Pembagian Data 80:20
Tabel 4. Hasil Pelatihan dengan Rasio Pembagian Data 90:10
No Dataset Optimizer Learning Rate Hidden Accuracy Validation

Activation Accuracy
1 Adamax 0.1 ReLu 97,40% 57,64%
2 Adamax 0.01 ReLu 99,65% 62,50%
3 Adamax 0.1 LeakyReLu 98,09% 58,33%
5 Adamax 0.1 Swish 98,44% 60,42%
6 Adamax 0.01 Swish 98,96% 50,69%
Asli
7 RAdam 0.1 ReLu 95,31% 46,53%
8 RAdam 0.01 ReLu 98,78% 56,25%
9 RAdam 0.1 LeakyReLu 92,88% 54,17%
10 RAdam 0.01 LeakyReLu 98,61% 54,86%
11 RAdam 0.1 Swish 93,58% 52,78%
12 RAdam 0.01 Swish 98,96% 56,94%
13 Adamax 0.1 ReLu 97,41% 82,43%
14 Adamax 0.01 ReLu 98,72% 80,69%
17 Adamax 0.1 Swish 97,24% 80,62%
18 Adamax 0.01 Swish 98,58% 80,49%
Augmentasi
19 RAdam 0.1 ReLu 89,77% 74,17%
20 RAdam 0.01 ReLu 97,83% 76,53%
21 RAdam 0.1 LeakyReLu 88,98% 75,76%
22 RAdam 0.01 LeakyReLu 97,74% 80,83%
23 RAdam 0.1 Swish 92,36% 83,13%
24 RAdam 0.01 Swish 97,24% 82,92%
tertinggi untuk dataset asli pada eksperimen ke-6.

Sedangkan pada dataset citra augmentasi akurasi
pelatihan tertinggi pada eksperimen ke-14. Grafik
loss dan accuracy dari kedua eksperimen tersebut
dapat dilihat pada Gambar 8 dan Gambar 9.

Gambar 7 merupakan grafik loss dan
accuracy dari eksperimen dengan optimizer
Adamax, activation LeakyReLu, dan learning
rate 0.01 menggunakan dataset augmentasi. Gambar 8. Grafik Loss dan Accuracy Eksperimen
Akurasi pelatihan pada eksperimen tersebut ke-6 Rasio Pembagian Data 90:10
sebesar 98,73% dan akurasi validasi sebesar Gambar 8 merupakan grafik loss dan
76,94%. accuracy dari eksperimen dengan optimizer
Selanjutnya, nilai akurasi pelatihan pada Adamax, activation Swish, dan learning rate 0.01
rasio pembagian data 90:10 dapat dilihat pada menggunakan dataset citra asli. Akurasi pelatihan
Tabel 5. Pada Tabel 5 dapat dilihat bahwa hasil pada eksperimen tersebut sebesar 99,86% dan
pelatihan klasifikasi yang dilakukan dengan rasio akurasi validasi sebesar 69,14%.
pembagian data 90:10 mendapat akurasi pelatihan
Tabel 5. Hasil Pelatihan dengan Rasio Pembagian Data 90:10
No Dataset Optimizer Learning Rate Hidden Accuracy Validation

Activation Accuracy
1 Adamax 0.1 ReLu 98,49% 75,31%
2 Adamax 0.01 ReLu 99,18% 72,84%
5 Adamax 0.1 Swish 97,81% 72,84%
6 Adamax 0.01 Swish 99,86% 69,14%
Asli
7 RAdam 0.1 ReLu 93,83% 76,54%
8 RAdam 0.01 ReLu 97,26% 77,78%
9 RAdam 0.1 LeakyReLu 93,28% 74,07%
10 RAdam 0.01 LeakyReLu 98,22% 71,60%
11 RAdam 0.1 Swish 93,00% 65,43%
12 RAdam 0.01 Swish 97,81% 76,54%
13 Adamax 0.1 ReLu 97,19% 80,62%
14 Adamax 0.01 ReLu 98,81% 81,36%
17 Adamax 0.1 Swish 97,64% 82,84%
18 Adamax 0.01 Swish 98,75% 83,33%
Augmentasi
19 RAdam 0.1 ReLu 87,93% 81,23%
20 RAdam 0.01 ReLu 97,02% 79,75%
21 RAdam 0.1 LeakyReLu 89,18% 80,25%
22 RAdam 0.01 LeakyReLu 96,61% 78,27%
23 RAdam 0.1 Swish 92,14% 79,01%
24 RAdam 0.01 Swish 97,53% 84,81%
citra augmentasi. Grafik loss dan accuracy
eksperimen tersebut dapat dilihat pada Gambar 10.

Gambar 10. Grafik Loss dan Accuracy
Gambar 9 merupakan grafik loss dan Eksperimen ke-24 Rasio Pembagian Data 90:10
accuracy dari eksperimen dengan optimizer
Adamax, activation ReLu, dan learning rate 0.01 3.2 Pengujian
menggunakan dataset augmentasi. Akurasi Setelah dilakukan tahap pelatihan dengan
pelatihan pada eksperimen tersebut sebesar data latih dan data validasi, model selanjutnya
98,81% dan akurasi validasi sebesar 81,36%. akan diuji dengan klasifikasi citra daging
Nilai akurasi validasi tertinggi dari tahap menggunakan data uji. Performa model diukur
pelatihan didapat pada rasio pembagian data 90:10 menggunakan confusion matrix dengan melihat
eksperimen ke-24 optimizer RAdam, activation nilai accuracy, presision, recall, f1-score, dan
Swish, dan learning rate 0.01 dengan akurasi presisi dari kelas sapi. Model yang akan
validasi sebesar 84,81% menggunakan dataset digunakan pada tahap pengujian ini adalah model
yang memiliki validation accuracy di atas 70%
berdasarkan tabel 4 dan tabel 5. Hasil pengujian

dapat dilihat pada Tabel 6. Gambar 11 merupakan confusion matrix
Pada Tabel 6 dapat dilihat bahwa hasil dari eksperimen ke-12 yang menggunakan rasio
pengujian klasifikasi yang dilakukan dengan bagi 80:20 dan citra augmentasi, dengan
EfficientNet-B2 dengan rasio 80:20 mendapat kombinasi hyperparameter berikut: optimizer
akurasi tertinggi untuk dataset citra augmentasi RAdam, activation Swish, dan learning rate 0.01.
mendapat akurasi tertinggi pada eksperimen ke-12 Pada model ini, presisi sapi sebesar 92,60%
dengan 96,11% accuracy, 96,22% precision, dengan daging oplosan yang terprediksi daging
96,11% recall, dan 96,12% f1-score. Sedangkan sapi sebanyak 32 citra dan daging babi yang
untuk dataset citra asli tidak ada model yang terprediksi daging sapi sebanyak 15 citra.
ditampilkan karena semua hasil pelatihan akurasi Pada Tabel 6 juga dapat dilihat bahwa
validasi tidak mencapai 70%. Confusion matrix hasil pengujian klasifikasi EffecintNet-B2 dengan
eksperimen ke-12 dapat dilihat pada Gambar 11. rasio 90:10 mendapat akurasi tertinggi dengan
menggunakan dataset citra asli pada eksperimen
ke-14 dengan 95,56% accuracy, 96,08 precision,
95,56% recall, dan 95,54% f1-score menggunakan
optimizer Adamax, activation ReLu, dan learning
rate 0.01. Pada model ini presisi sapi mendapat
nilai yang sempurna yaitu 100% karena tidak ada
daging oplosan dan daging babi yang terprediksi
daging sapi. Confusion matrix dari model tersebut
dapat dilihat pada Gambar 12.
Gambar 11. Confusion Matrix Eksperimen ke-12
Tabel 6. Hasil Penggujian

Optimize Learnin Hidden Accurac Precisio F1- Presisi
No Dataset Recall
r g Rate Activation y n Score Sapi
1 Adamax 0.1 ReLu 95,83% 95,93% 95,83% 95,83% 93,02%
2 Adamax 0.01 ReLu 95,83% 95,97% 95,83% 95,84% 91,89%
3 Adamax 0.1 LeakyReLu 94,72% 94,91% 94,72% 94,71% 91,61%
5 Adamax 0.1 Swish 95,56% 95,79% 95,56% 95,57% 92,93%
6 Augmentasi Adamax 0.01 Swish 95,39% 95,63% 95,39% 95,39% 90,69%
7 80:20 RAdam 0.1 ReLu 93,50% 93,63% 93,50% 93,52% 90,28%
8 RAdam 0.01 ReLu 94,89% 95,09% 94,89% 94,89% 90,45%
9 RAdam 0.1 LeakyReLu 92,78% 93,28% 92,78% 92,74% 87,24%
10 RAdam 0.01 LeakyReLu 95,44% 95,53% 95,44% 95,45% 92,39%
11 RAdam 0.1 Swish 95,11% 95,15% 95,11% 95,11% 93,26%
96,12 92,60%
12 RAdam 0.01 Swish 96,11% 96,22% 96,11%
%
13 Adamax 0.1 ReLu 92,22% 92,25% 92,22% 92,22% 100,00%
95,54 100,00%
14 Adamax 0.01 ReLu 95,56% 96,08% 95,56%
%
15 Adamax 0.1 Swish 94,44% 94,73% 94,44% 94,43% 100,00%
Asli
16 RAdam 0.1 ReLu 90,00% 90,50% 90,00% 90,04% 96,55%
90:10
17 RAdam 0.01 ReLu 90,00% 92,31% 90,00% 90,24% 100,00%
18 RAdam 0.1 LeakyReLu 93,33% 93,81% 93,33% 93,33% 93,55%
19 RAdam 0.01 LeakyReLu 93,33% 93,88% 93,33% 93,25% 93,75%
20 RAdam 0.01 Swish 94,44% 94,88% 94,44% 94,43% 96,77%
21 Adamax 0.1 ReLu 97,11% 97,15% 97,11% 97,11% 96,70%
22 Adamax 0.01 ReLu 97,78% 97,79% 97,78% 97,78% 96,73%
98,22 96,45%
25 Adamax 0.1 Swish 98,22% 98,25% 98,22%
%
Augmentasi
26 Adamax 0.01 Swish 97,89% 97,91% 97,89% 97,89% 96,74%
90:10
27 RAdam 0.1 ReLu 96,78% 96,81% 96,78% 96,79% 95,13%
28 RAdam 0.01 ReLu 97,22% 97,24% 97,22% 97,22% 96,09%
29 RAdam 0.1 LeakyReLu 96,22% 96,23% 96,22% 96,22% 95,68%
30 RAdam 0.01 LeakyReLu 97,44% 97,45% 97,44% 97,44% 97,65%
31 RAdam 0.1 Swish 97,11% 97,16% 97,11% 97,11% 95,18%
32 RAdam 0.01 Swish 97,89% 97,91% 97,89% 97,89% 97,06%
Gambar 12. Confusion Matrix Eksperimen ke-14
Gambar 14 merupakan confusion matrix

dari eksperimen ke-3 dari rasio pembagian data
90:10 dan dataset citra asli dengan optimizer
Adamax, activation Swish, dan learning rate 0.1.
4. Kesimpulan
Dalam penelitian ini, dilakukan klasifikasi
citra daging sapi, daging babi, dan daging oplosan
menggunakan Convolutional Neural Network
(CNN) arsitektur EfficientNet-B2. Citra daging
diperoleh dengan cara mengambil sampel daging
di Pasar Bawah dengan jumlah keseluruhan 900
citra asli. Augmentasi dilakukan pada penelitian
ini dengan teknik horizontal flip, vertical flip,
rotation, dan brightness shift sehingga data
menjadi 9000 citra. Data citra dibagi menjadi data
Gambar 13. Confusion Matrix Eksperimen ke-25 latih dan data uji dengan rasio pembagian data
80:20 dan 90:10. Hyperparameter Optimization
yang digunakan yaitu optimizer (Adamax dan
Sedangkan untuk hasil dataset citra RAdam), activation function (ReLu, LeakyReLu,
augmentasi mendapat akurasi tertinggi pada dan Swish) dan learning rate (0.1 dan 0.01).
eksperimen ke-25 dengan 98,22% accuracy, Pengujian pada model yang tela dilatih dilakukan
98,25% precision, 98,22% recall, dan 98,22% f1- dengan pengukuran accuracy, precision, recall,
score menggunakan optimizer Adamax, activation dan f1-score. Model yang di uji adalah model
Swish, dan learning rate 0.1. Pada model ini, yang hasil akurasi validasi dari pelatihannya lebih
presisi sapi sebesar 96,45% dengan daging dari 70%. Berdasarkan hasil penelitian yang telah
oplosan yang terprediksi daging sapi sebanyak 33 dilakukan didapat hasil akurasi tertinggi dengan
citra dan daging babi yang terprediksi daging sapi rasio bagi 80:20 sebesar 96,11% accuracy
sebanyak 11 citra. Confusion matrix dari model menggunakan dataset citra augmentasi sedangkan
tersebut dapat dilihat pada Gambar 13. menggunakan dataset citra asli tidak ada model
Nilai presisi sapi tertinggi pada rasio dengan hasil akurasi validasi penelitiannya diatas
pembagian data 90:10 mencapai 100% 70%. Hasil penelitian yang dilakukan dengan rasio
menggunakan dataset citra asli pada eksperimen bagi 90:10 didapat akurasi tertinggi menggunakan
ke-13, eksperimen ke-14, eksperimen ke-15, dan dataset citra asli dengan optimizer Adamax,
eksperimen ke-17. Confusion matrix dari model activation function ReLu, dan learning rate 0.01
tersebut dapat dilihat pada Gambar 12 dan dengan accuracy 95,56% dan presisi sapi 100%,
Gambar 14. sedangkan akurasi tertinggi menggunakan dataset
citra augmentasi dengan optimizer Adamax,
activation function Swish, dan learning rate 0.1
dengan nilai sebesar 98,22% accuracy dan presisi
sapi 96,45%. Rata-rata akurasi terbaik pada
penelitian ini menggunakan dataset augmentasi
sedangkan untuk presisi sapi terbaik
menggunakan dataset augmentasi dengan rasio
data 90:10. Dapat disimpulkan rasio pembagian
data 90:10 memiliki kinerja yang lebih baik
dibandingkan dengan rasio pembagian data 80:20
dan penggunaan metode augmentasi citra pada
penelitan ini sangat berpengaruh dan dapat
meningkatkan akurasi validasi serta akurasi
klasifikasi. Untuk penelitian selanjutnya,
direkomendasikan menggunakan data citra dalam
Gambar 14. Confusion Matrix Eksperimen ke-3 jumlah yang lebih banyak untuk meningkatkan
akurasi, karena jumlah data berpengaruh cukup
signifikan pada penelitian ini.
https://jabar.suara.com/read/2020/06/30/162
Daftar Pustaka 156/waduh-oplosan-daging-babi-untuk-
Alhatemi, R. A. J., & Savaş, S. (2022). Journal of bakso-dan-rendang-beredar-di-jawa-barat
Computer Science. Journal of Computer Jasril, J., & Sanjaya, S. (2018). Learning Vector
Science, IDAP-2022, 192–201. Quantization 3 (LVQ3) and Spatial Fuzzy C-
https://doi.org/10.53070/bbd.1172807 Means (SFCM) for Beef and Pork Image
Amriza, R. N. S., & Supriyadi, D. (2021). Classification. Indonesian Journal of
Komparasi Metode Machine Learning dan Artificial Intelligence and Data Mining, 1(2),
Deep Learning untuk Deteksi Emosi pada 60.
Text di Sosial Media. Jurnal JUPITER, https://doi.org/10.24014/ijaidm.v1i2.5024
13(2), 130–139. Lasniari, S., Jasril, J., Sanjaya, S., Yanto, F., &
Aras, S., Setyanto, A., & Makassar, U. D. (2022). Affandes, M. (2022). Klasifikasi Citra
Deep Learning Untuk Klasifikasi Motif Daging Babi dan Daging Sapi Menggunakan
Batik Papua Menggunakan EfficientNet dan Deep Learning Arsitektur ResNet-50 dengan
Trasnfer Learning. Insect, 8(1), 11–20. Augmentasi Citra. Jurnal Sistem Komputer
Azmi, N. (2021). Manfaat Daging Sapi, Daging Dan Informatika (JSON), 3(4), 450.
Merah yang Kaya akan Protein. https://doi.org/10.30865/json.v3i4.4167
Www.Hellosehat.Com. Lihayati, N., Pawening, R. E., & Furqan, M.
https://hellosehat.com/nutrisi/fakta-gizi/manf (2016). Klasifikasi Jenis Daging
aat-daging-sapi/ Berdasarkan Tekstur Menggunakan Metode
Efendi, D., Jasril, J., Sanjaya, S., Syafria, F., & Gray Level Coocurent Matrix. Prosiding
Budianita, E. (2022). Penerapan Algoritma SENTIA, 8(1994), 305–310.
Convolutional Neural Network Arsitektur Lova, C. (2020). Heboh Daging Babi Serupa
ResNet-50 untuk Klasifikasi Citra Daging Daging Sapi di Bandung, Walkot Bekasi
Sapi dan Babi. Jurnal Riset Komputer, 9(3), Minta Anak Buahnya Awasi Pedagang.
2407–389. Www.Kompas.Com.
https://doi.org/10.30865/jurikom.v9i3.4176 https://megapolitan.kompas.com/read/2020/0
Ekawati, D. (2021). Akibat Memakan Makanan 5/14/10344831/heboh-daging-babi-serupa-
Haram. Www.Rumahzakat.Com. daging-sapi-di-bandung-walkot-bekasi-
https://www.rumahzakat.org/id/akibat- minta-anak
memakan-makanan-haram# Nugroho, P. A., Fenriana, I., & Arijanto, R.
Habibi Aghdam, H., Jahani Heravi, E., & AG, S. (2020). Implementasi Deep Learning
I. P. (2018). Guide to Convolutional Neural Menggunakan Convolutional Neural
Networks A Practical Application to Traffic- Network ( Cnn ) Pada Ekspresi Manusia.
Sign Detection and Classification. Algor, 2(1), 12–21.
Handayani, L., Jasril, Budianita, E., Oktista, W., Pangkasidhi, A. K., Palit, H. N., &
Hadi, R., Fattah, D., Yendra, R., & Fudholi, Tjondrowiguno, A. N. (2021). Aplikasi
A. (2017). Comparison of target Pendukung Diagnosis COVID-19 Yang
Probabilistic Neural network (PNN) Menganalisis Hasil X-Ray Paru-Paru
classification for beef and pork. Journal of Dengan Model EfficientNet. Jurnal Infra,
Theoretical and Applied Information 9(2)(031), 1–6.
Technology, 95(12), 2753–2760. Sudibyo, U., Kusumaningrum, D. P.,
Hidayat, D., & Al Maki, W. F. (2022). Deteksi Rachmawanto, E. H., & Sari, C. A. (2018).
Glaukoma Menggunakan Metode Optimasi Algoritma Learning Vector
Convolutional Neural Network dan Grabcut Quantization (Lvq) Dalam Pengklasifikasian
Segmentation. 9(3), 1855–1861. Citra Daging Sapi Dan Daging Babi Berbasis
Iim Fathimah Timorria. (2022). Kebutuhan Impor Glcm Dan Hsv. Simetris: Jurnal Teknik
Daging Sapi 2022 Capai 266.000 Ton. Mesin, Elektro Dan Ilmu Komputer, 9(1), 1–
Ekonomi Bisnis.Com. 10. https://doi.org/10.24176/simet.v9i1.1943
https://ekonomi.bisnis.com/read/20220113/1 Winardi, P., & Setyati, E. (2021). Identifikasi
2/1488730/kebutuhan-impor-daging-sapi- Jenis Daging dengan Menggunakan
2022-capai-266000-ton Algoritma Convolution Neural Network.
Iswinarno, C. (2020). Waduh! Oplosan Daging Journal of Information System,Graphics,
Babi untuk Bakso dan Rendang Beredar di Hospitality and Technology, 3(02), 82–88.
Jawa Barat. Www.Suarajabar.Id. https://doi.org/10.37823/insight.v3i02.178
Yuda Alhafis, G., Jasril, J., Sanjaya, S., Syafria, Yulianti, N. S., Boro Seminar, K., Hermanianto,
F., & Budianita, E. (2022). Klasifikasi Citra J., & Wahjuni, S. (2021). Identifikasi
Daging Sapi dan Daging Babi Menggunakan Kemurnian Daging Berbasis Analisis Citra
Ekstraksi Ciri dan Convolutional Neural Identification Of Meat Purity Based On
Network. Jurnal Riset Komputer), 9(3), Image Analysis. Jurnal Teknologi Informasi
2407–389. Dan Ilmu Komputer, 8(4), 643–650.
https://doi.org/10.30865/jurikom.v9i3.4175 https://doi.org/10.25126/jtiik.202183307

JIUP - Deny Ardianto

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

JIUP - Deny Ardianto

Diunggah oleh

Hak Cipta:

Format Tersedia

Jurnal Informatika Universitas Pamulang ISSN: 2541-1004

Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615

Klasifikasi Citra Daging Sapi dan Babi Menggunakan Convolutional Neural

Keywords: Meat; Convolutional Neural Networks; Classification; EfficientNet-B2; Augmentation

Kata kunci: Daging; Convolutional Neural Network; Klasifikasi; EfficientNet-B2; Augmentasi

1. Pendahuluan menjaga massa otot, meningkatkan performa

2.2 Preprocessing terdapat contoh citra yang telah melalui proses

Tabel 1. Pembagian Data Asli

Gambar 5. Arsitektur EfficientNet-B2

pada eksperimen ke-2. Sementara pada dataset

Gambar 6. Grafik Loss dan Accuracy Eksperimen

No Dataset Optimizer Learning Rate Hidden Accuracy Validation

tertinggi untuk dataset asli pada eksperimen ke-6.

Gambar 7. Grafik Loss dan Accuracy Eksperimen

No Dataset Optimizer Learning Rate Hidden Accuracy Validation

Gambar 9. Grafik Loss dan Accuracy Eksperimen

berdasarkan tabel 4 dan tabel 5. Hasil pengujian

Gambar 11. Confusion Matrix Eksperimen ke-12

Tabel 6. Hasil Penggujian

Gambar 12. Confusion Matrix Eksperimen ke-14

Gambar 14 merupakan confusion matrix

Anda mungkin juga menyukai