Perbandingan Performa Algoritma VGG16 dan VGG19 Melalui Metode CNN untuk Klasifikasi Varietas Beras
DOI:
https://doi.org/10.52435/complete.v4i2.387Keywords:
CNN, Machine Learning, Varietas BerasAbstract
Beras merupakan jenis pangan utama yang paling populer di konsumsi di seluruh dunia. Berbagai negara pun melakukan proses impor untuk memenuhi kebetuhan penduduk di negaranya, salah satunya adalah Indonesia. Indonesia merupakan negara yang tergolong memiliki permintaan pasar pangan yang tinggi di ruang lingkup global. Masuknya berbagai varietas beras akibat adanya kegiatan impor di Indonesia membuat para importir mengalami kesulitan selama proses penyortiran produknya. Seiring berjalannya kemajuan teknologi pula, para importir juga harus terus beradaptasi, salah satunya dengan memanfaatkan salah satu teknologi yang akhir-akhir ini sedang marak dikembangkan oleh para peneliti. CNN atau Convolutional Neural Network merupakan salah satu teknologi yang memiliki kemampuan yang baik dalam mengklasifikasikan citra gambar. CNN sendiri memiliki banyak sekali algoritma, di antaranya adalah VGG16 dan VGG19. Kedua algoritma tersebut merupakan pengembangan dari algoritma terdahulunya yang dinamakan AlexNet. Penelitian ini berfokus pada penyusunan setiap algoritma, proses training, dan diakhiri oleh proses analisis terkait kinerja dari kedua model. Penelitian ini menunjukkan bahwa algoritma VGG16 memiliki kinerja yang lebih baik, mencapai akurasi sebesar 98% dengan waktu training 73,405 detik. Sementara itu, algoritma VGG19 mencapai akurasi 97% dengan waktu training 78,098 detik dalam mengklasifikasikan varietas beras menggunakan dataset yang memiliki lima kelas.
References
A. R. Sari, Y. Martono, and F. S. Rondonuwu, “Identifikasi Kualitas Beras Putih (Oryza sativa L.) Berdasarkan Kandungan Amilosa dan Amilopektin di Pasar Tradisional dan ‘Selepan’ Kota Salatiga,” Titian Ilmu J. Ilm. Multi Sci., vol. 12, no. 1, pp. 24–30, 2020, doi: 10.30599/jti.v12i1.599.
H. Windiyani, “Keragaman Varietas Unggul Baru Padi Fungsional Mendukung Ketahanan Pangan dalam Menghadapi Pandemi COVID-19,” in Komoditas Sumber Pangan untuk Meningkatkan Kualitas Kesehatan di Era Pandemi Covid-19, 2020, pp. 449–456. [Online]. Available: http://conference.unsri.ac.id/index.php/lahansuboptimal/article/view/1964/0
G. Prayitno, Ruang Berketahanan Pangan: Menjawab Tantangan Produksi Pangan Berkelanjutan dengan Optimasi Keruangan Menuju Indonesia Berdaulat, 1st ed. Malang: UB Press, 2022. [Online]. Available: https://edeposit.perpusnas.go.id/collection/ruang-berketahanan-pangan-sumber-elektronis-menjawab-tantangan-produksi-pangan-berkelanjutan-dengan-optimasi-keruangan-menuju-indonesia-berdaulat/112492#
A. Ahdiat, “Indonesia Impor Beras 429 Ribu Ton Pada 2022, Ini Negara Asalnya,” 2023. https://databoks.katadata.co.id/datapublish/2023/04/14/indonesia-impor-beras-429-ribu-ton-pada-2022-ini-negara-asalnya#:~:text=Menurut laporan Badan Pusat Statistik,Myanmar seperti terlihat pada grafik.
D. Iswantoro and D. Handayani UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 2, p. 900, 2022, doi: 10.33087/jiubj.v22i2.2065.
F. S. Pamungkas, B. D. Prasetya, and I. Kharisudin, “Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python,” Prism. Pros. Semin. Nas. Mat., vol. 3, pp. 689–694, 2020, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/article/view/37875
A. Mulyanto, E. Susanti, F. Rossi, W. Wajiran, and R. I. Borman, “Penerapan Convolutional Neural Network (CNN) pada Pengenalan Aksara Lampung Berbasis Optical Character Recognition (OCR),” J. Edukasi dan Penelit. Inform., vol. 7, no. 1, p. 52, 2021, doi: 10.26418/jp.v7i1.44133.
K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., no. 6, pp. 1–14, Sep. 2014, [Online]. Available: https://arxiv.org/abs/1409.1556
E. Tanuwijaya and A. Roseanne, “Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 189–196, 2021, doi: 10.30812/matrik.v21i1.1492.
M. Koklu, I. Cinar, and Y. S. Taspinar, “Classification of rice varieties with deep learning methods,” Comput. Electron. Agric., vol. 187, p. 106285, Aug. 2021, doi: 10.1016/j.compag.2021.106285.
A. Huda, DASAR-DASAR PEMROGRAMANBERBASIS PYTHON, 1st ed. Padang: Tim editor UNP Press, 2020.
M. Ezar Al Rivan and A. Giovri Riyadi, “Perbandingan Arsitektur LeNet dan AlexNet Pada Metode Convolutional Neural Network Untuk Pengenalan American Sign Language,” J. Komput. Terap., vol. 7, no. Vol. 7 No. 1 (2021), pp. 53–61, 2021, doi: 10.35143/jkt.v7i1.4489.
T. Dwi Antoko, M. Azhar Ridani, and A. Eko Minarno, “Klasifikasi Buah Zaitun Menggunakan Convolution Neural Network,” Komputika J. Sist. Komput., vol. 10, no. 2, pp. 119–126, 2021, doi: 10.34010/komputika.v10i2.4475.
F. Masykur, M. B. Setyawan, and K. Winangun, “Epoch Optimization on Rice Leaf Image Classification Using Convolutional Neural Network (CNN) MobileNet,” CESS (Journal Comput. Eng. Syst. Sci., vol. 7, no. 2, p. 581, 2022, doi: 10.24114/cess.v7i2.37336.
M. Tang, A. Djelouah, F. Perazzi, Y. Boykov, and C. Schroers, “Normalized Cut Loss for Weakly-Supervised CNN Segmentation,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 1818–1827, 2018, doi: 10.1109/CVPR.2018.00195.
A. Khamparia, D. Gupta, V. H. C. de Albuquerque, A. K. Sangaiah, and R. H. Jhaveri, “Internet of health things-driven deep learning system for detection and classification of cervical cells using transfer learning,” J. Supercomput., vol. 76, no. 11, pp. 8590–8608, Nov. 2020, doi: 10.1007/s11227-020-03159-4.
Downloads
Published
Issue
Section
License
Copyright (c) 2023 Weny Indah Kusumawati, Adisaputra Zidha Noorizki
This work is licensed under a Creative Commons Attribution 4.0 International License.
