KLASIFIKASI CITRA DAGING SAPI DAN DAGING BABI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR INCEPTIONV3

Rezaldi, Rezaldi (2024) KLASIFIKASI CITRA DAGING SAPI DAN DAGING BABI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR INCEPTIONV3. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (620kB)
	Text (BAB I) BAB I.pdf Download (188kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (479kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (805kB)
	Text (BAB V) BAB V.pdf Download (78kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (210kB)
	Archive (SOURCE CODE) Sourcecode - 20.11.3717.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (489kB)

Abstract

Daging sapi dan daging babi memiliki kemiripan secara fisik, sehingga sulit dibedakan oleh konsumen awam. Namun, pencampuran kedua jenis daging ini dapat merugikan konsumen, terutama yang beragama Islam karena daging babi haram dikonsumsi. Oleh karena itu, penelitian ini bertujuan mengembangkan model Convolutional Neural Network (CNN) dengan arsitektur InceptionV3 untuk mengklasifikasikan citra daging sapi dan daging babi. Penelitian ini menggunakan dataset citra daging sapi dan daging babi dari Kaggle. Dataset diawali dengan pra-pemrosesan data, seperti pembersihan data, penamaan ulang kelas, enkoding label, pemisahan data, dan augmentasi data. Kemudian, model CNN dengan arsitektur InceptionV3 dirancang dengan menggunakan teknik transfer learning dan optimasi hyperparameter melalui Random Search dari library Keras Tuner. Model dilatih dengan data latih dan validasi, serta dievaluasi dengan data uji menggunakan confusion matrix dan classification report. Hasil penelitian menunjukkan bahwa hyperparameter terbaik adalah learning rate 0,01, filter Conv2D 64, dropout rate 0,2, unit dense 32, layer freeze 12, kernel 5x5, pool size 2x2, dengan batch normalization, aktivasi ELU, dan optimizer RMSprop. Model berhasil mencapai akurasi 100% pada data uji dengan presisi, recall, dan f1-score bernilai 1,00 untuk kedua kelas. Penelitian ini dapat menjadi referensi penerapan CNN InceptionV3 untuk klasifikasi citra.

Actions (login required)

View Item