Klasifikasi Citra Daging Sapi dan Babi Menggunakan CNN Alexnet dan Augmentasi Data

Abstract

Konsumsi daging di Indonesia didominasi oleh sapi, kerbau, dan ayam. Namun, beberapa pedagang nakal mencampur daging sapi dengan daging babi sehingga sulit dibedakan oleh masyarakat awam. Beberapa penelitian telah menggunakan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan citra, namun kekurangan data menjadi tantangan. Oleh karena itu, penelitian ini menerapkan teknik augmentasi data pada model CNN Alexnet untuk mengklasifikasikan daging sapi, babi, dan daging oplosan. Penelitian ini menggunakan dua rasio pembagian data yang berbeda, yaitu 90:10 dan 80:20, dengan total 600 data non-augmentasi dan 3000 data augmentasi yang dibagi menjadi tiga kelas. Beberapa hyperparameter diuji untuk mengoptimalkan kinerja model seperti optimizer Adaptive Moment Estimation (Adam), Stochastic Gradient Descent (SGD) dan Propagasi Root Mean Square (RMSprop) serta learning rate 0.1, 0.01, 0.001 dan 0.0001. Hasil menunjukkan bahwa penggunaan data citra augmentasi dengan optimizer Adam dan learning rate 0,001 memberikan accuracy tertinggi sebesar 85,00%. Sementara itu, penggunaan data citra non-augmentasi dengan skenario optimizer RMSprop dan learning rate 0, 0001 menghasilkan performa yang sedikit lebih rendah, yaitu mendapatkan accuracy 80.00%. Keduanya menggunakan perbandingan data 80:20. Teknik augmentasi data berhasil meningkatkan kinerja model deep learning dengan menciptakan data baru dari data yang ada.