Klasifikasi Pisang Berbasis Algoritma VGG16 Melalui Metode CNN Deep Learning

Jayadi Halim; Ahmad Nurul Fajar

doi:10.37424/informasi.v15i1.190

Jayadi Halim Bina Nusantara University
Ahmad Nurul Fajar Bina Nusantara University

DOI: https://doi.org/10.37424/informasi.v15i1.190

Keywords: Convolutional Neural Network (CNN), VGG16, Klasifikasi Gambar, Pisang, Deep Learning

Abstract

Pisang cavendish banyak dikonsumsi di Indonesia dan berpotensi menjadi komoditas utama di Indonesia. Namun, proses pemilihan kualitas pisang di Indonesia masih banyak yang dilakukan secara tradisional. Hal ini menjadi penghambat pisang dalam menjadi komoditas utama. Klasifikasi mutu modern dapat dilakukan untuk memperbaiki proses seleksi kualitas pisang dalam meningkatkan penjualan di sektor pertanian. Peningkatan penjualan pisang di sector pertanian akan menjadikan pisang sebagai komoditas utama dan meningkatkan ekonomi Indonesia. Metode deep learning yaitu CNN dengan model VGG16 dapat diimplementasikan sebagai solusi dari permasalahan tersebut. Peneliti akan mencoba menggunakan berbagai jumlah epoch untuk mendapatkan hasil evaluasi yang terbaik. Variabel dibagi 5 dengan total kumpulan data gambar adalah 550. Kumpulan data juga dibagi dengan latihan dan tes dengan persentase 70%: 30%. Hasil eksperimen menunjukkan hasil performa terbaik pada epoch 50 dengan akurasi train 98.96% dan akurasi test 83.53%. Model akan disimpan dan akan digunakan oleh para pelaku dalam industri pertanian di Indonesia.

References

Agarwal, M., Gupta, S. K., dan Biswas, K. K. (2020). Development of Efficient CNN model for Tomato crop disease identification. Sustainable Computing: Informatics and Systems, 28. https://doi.org/10.1016/j.suscom.2020.100407

Chiang, W. L., Li, Y., Liu, X., Bengio, S., Si, S., dan Hsieh, C. J. (2019). Cluster-GCN: An efficient algorithm for training deep and large graph convolutional networks. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. https://doi.org/10.1145/3292500.3330925

d’Ascoli, S., Sagun, L., dan Biroli, G. (2020). Triple descent and the two kinds of overfitting: Where dan why do they appear? Advances in Neural Information Processing Systems, 2020-December. https://doi.org/10.1088/1742-5468/ac3909

H. A. Moh, R. Yan, dan R. Dwiza. (2021). Klasifikasi penyakit citra daun anggur menggunakan model CNN-VGG16. Jurnal Teknologi Dan Sistem Komputer, 9(4).

Hasan, M. M., Chopin, J. P., Laga, H., dan Miklavcic, S. J. (2018). Detection and analysis of wheat spikes using Convolutional Neural Networks. Plant Methods, 14(1). https://doi.org/10.1186/s13007-018-0366-8

Khamparia, A., Gupta, D., de Albuquerque, V. H. C., Sangaiah, A. K., dan Jhaveri, R. H. (2020). Internet of health things-driven deep learning system for detection and classification of cervical cells using transfer learning. Journal of Supercomputing, 76(11). https://doi.org/10.1007/s11227-020-03159-4

Li, J., Ablan, C., Wu, R., Guan, S., dan Yao, J. (2021). Preprocessing method comparisons for VGG16 fast-RCNN pistol detection. EPiC Series in Computing, 76. https://doi.org/10.29007/ml35

Liu, Z., Wu, J., Fu, L., Majeed, Y., Feng, Y., Li, R., dan Cui, Y. (2020). Improved Kiwifruit Detection Using Pre-Trained VGG16 with RGB and NIR Information Fusion. IEEE Access, 8. https://doi.org/10.1109/ACCESS.2019.2962513

Makantasis, K., Karantzalos, K., Doulamis, A., dan Doulamis, N. (2015). Deep supervised learning for hyperspectral data classification through convolutional neural networks. International Geoscience and Remote Sensing Symposium (IGARSS), 2015-November. https://doi.org/10.1109/IGARSS.2015.7326945

Maulana, F. F., dan Rochmawati, N. (2020). Klasifikasi Citra Buah Menggunakan Convolutional Neural Network. Journal of Informatics and Computer Science (JINACS), 1(02). https://doi.org/10.26740/jinacs.v1n02.p104-108

Nuramanah, E., Hayat Sholihin, dan Siswaningsih, W. (2013). Kajian Aktivitas Antioksidan Kulit Pisang Raja Bulu (musa paradisiaca l. Var sapientum) Dan Produk Olahannya Eva. Jurnal Sains Dan Teknologi Kimia, 4(1).

Pardede, J., Sitohang, B., Akbar, S., dan Khodra, M. L. (2021). Implementation of Transfer Learning Using VGG16 on Fruit Ripeness Detection. International Journal of Intelligent Systems and Applications, 13(2), 52–61. https://doi.org/10.5815/ijisa.2021.02.04

Song, Z., Fu, L., Wu, J., Liu, Z., Li, R., dan Cui, Y. (2019). Kiwifruit detection in field images using Faster R-CNN with VGG16. IFAC-PapersOnLine, 52(30). https://doi.org/10.1016/j.ifacol.2019.12.500

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., dan Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15.

Tang, M., Djelouah, A., Perazzi, F., Boykov, Y., dan Schroers, C. (2018). Normalized Cut Loss for Weakly-Supervised CNN Segmentation. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. https://doi.org/10.1109/CVPR.2018.00195

Ucat, R. C., dan Cruz, J. C. D. (2019). Postharvest Grading Classification of Cavendish Banana Using Deep Learning and Tensorflow. 2019 International Symposium on Multimedia and Communication Technology, ISMAC 2019. https://doi.org/10.1109/ISMAC.2019.8836129

Utomo, B., Marsiti, C. I. R., dan Damiati, D. (2019). UJI KUALITAS TEPUNG PISANG MAS ( Musa Acuminata ). Jurnal BOSAPARIS: Pendidikan Kesejahteraan Keluarga, 9(3). https://doi.org/10.23887/jjpkk.v9i3.22146

Zhang, Y., Luo, T., Ma, Z., dan Xu, Z. Q. J. (2021). A Linear Frequency Principle Model to Understand the Absence of Overfitting in Neural Networks. Chinese Physics Letters, 38(3). https://doi.org/10.1088/0256-307X/38/3/038701