Penerapan Deep Learning Menggunakan Convolutional Neural Network (CNN) Untuk Klasifikasi Daging Ayam Menggunakan Arsitektur Resnet-50

Abstract

Daging ayam adalah salah satu konsumsi paling tinggi bagi manusia dalam kehidupan sehari-hari karena mengandung banyak gizi dan sumber protein yang tinggi.  Pada umumnya, jenis ayam yang sering dikonsumsi masyarakat adalah daging ayam kampung dan daging ayam broiler yang dimana mulai dari cara perawatan dan pemeliharaan ayam sangat berbeda sehingga menentukan kualitas daging ayam tersebut. Perawatan ayam broiler yang dilakukan oleh peternak ayam kerap mengabaikan  prosedur kesehatan ayam sehingga banyak memunculkan potensi bahaya mengkonsumsi daging ayam broiler seperti terkena infeksi bakteri Salmonella dan Campylobacter karena dalam masa perawatan dan pertumbuhan ayam sering disuntik antibiotik. Masyarakat perlu tahu dengan permasalahan ini dan masalah ini menjadi sangat serius jika dihubungkan dengan adanya beberapa kandungan dalam ayam broiler yang tidak boleh dikonsumsi oleh orang tertentu seperti logam berat. Secara kasat mata, tekstur daging ayam kampung dan daging ayam broiler sangatlah mirip maka dari itu dibutuhkan sebuah teknologi untuk membedakan kedua jenis daging tersebut berdasarkan tekstur yang dianalisis. Penggunaan deep learning dalam perkembangan teknologi untuk mengolah sebuah citra sangat efektif, maka dari itu penelitian ini menggunakan metode Deep Learning yaitu Convolutional Neural Network (CNN) menggunakan arsitektur ResNet-50 sebagai klasifikasi daging dengan jumlah data sebanyak 1.200 citra dengan 2 kelas yaitu daging ayam kampung dan daging ayam broiler dengan setiap kelas memiliki ukuran gambar 224 224 pixel dan pembagian data dengan perbandingan data ayam kampung 80%  data latih : 20% data uji dan ayam broiler dengan perbandingan 80% data latih : 20% data latih. Setelah penelitian dilakukan, maka hasil perolehan akurasi tertinggi dari penelitian ini adalah pengujian ke-10  dengan 55% accuracy, 55% precision, 55% recall, dan 55% f1 score dengan menggunakan parameter optimizer SGD,  learning rate,  batch size, dan momentum. Dari penelitian ini dapat disimpulkan bahwa penggunaan arsitektur ResNet-50 sangat baik dalam pengklasifikasian citra dengan tingkat akurasi yang sangat tinggi.