Pemodelan Klasifikasi pada Citra Daging Sapi dan Babi Menggunakan Algoritma Convolutional Neural Network

Abstract

Daging sapi merupakan salah satu bahan makanan yang memiliki nilai jual cukup tinggi. Harga yang cukup tinggi inilah yang membuat beberapa oknum di pasar atau tempat berbelanja lainnya untuk memanipulasi penjualan seperti mencampur daging sapi dengan daging babi. Perbedaan antara daging babi dan daging sapi sebenarnya terdapat pada warna dan tekstur daging. Namun, masih banyak masyarakat yang belum memahami perbedaan tersebut. Selain sosialisasi kepada terkait pemahaman perbedaan antara kedua jenis daging tersebut, solusi lainnya yaitu dengan membuat suatu teknologi yang mampu mengenali dan membedakan daging babi dan sapi. Hal inilah yang mendasari penelitian ini untuk membangun sebuah sistem yang dapat mengklasifikasikan kedua jenis daging tersebut. Convolutional Neural Network (CNN) merupakan salah satu metode deep learning dalam perkembangan ilmu Artificial Intelligence yang dapat diterapkan untuk melakukan klasifikasi gambar. Namun, terdapat beberapa faktor yang dapat mempengaruhi kinerja model CNN diantaranya adalah adanya overfitting dan penentuan hyperparameter. Overfitting terjadi ketika model hanya akurat dalam memprediksi data latih namun tidak mampu menggeneralisasi terhadap data uji. Penentuan hyperparameter juga sangat mempengaruhi performa model. Jika hyperparameter yang diterapkan tidak fit dengan data, maka akurasi model dapat berkurang bahkan model kemungkinan juga tidak akan bisa mencapai konvergen. Beberapa teknik regularisasi dan perbandingan hyperparameter diterapkan dalam pembentukan model CNN untuk memperoleh hasil klasifikasi citra daging sapi dan babi yang terbaik. Diketahui bahwa akurasi dari model terbaik yaitu sebesar 98,7 % diperoleh dari model CNN dengan penerapan teknik dropout menggunakan 𝑝��� = 0,7 didukung oleh hyperparameter seperti 20 neuron pada dua lapisan konvolusi, 128 neuron pada dua lapisan fully connected, ukuran kernel 5 × 5, dan fungsi aktivasi ReLU. Hal yang juga mendasari terpilihnya model tersebut ialah rendahnya nilai loss model yaitu sebesar 0,097, AUC sebesar 0,996, dan F1- Score sebesar 0,982.