Page | 7 CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Computer Based Information System Journal ISSN (Prin.
: 2337-8794 | E- ISSN : 2621-5292 web jurnal : http://ejournal.
id/index.
php/cbis IDENTIFIKASI KESEGARAN DAGING AYAM MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORKS Riezky Fauji Setiawan1.
Muflih Roid Zuhdi2.
Bintang Ilhan Harjo Saputro3.
Universitas Singaperbangsa Karawang.
Indonesia.
INFORMASI ARTIKEL
ABSTRACT
Diterima Redaksi: Agustus 2024 Diterbitkan Online: September 2024 Penelitian ini bertujuan untuk mengidentifikasi kesegaran daging ayam berdasarkan citra menggunakan Convolutional Neural Network (CNN).
Dalam industri pangan, penentuan kesegaran daging ayam secara cepat dan akurat sangat penting untuk memastikan kualitas produk dan keamanan konsumen.
Metode CNN digunakan karena kemampuannya yang tinggi dalam ekstraksi fitur dan klasifikasi citra.
Dataset citra daging ayam dikumpulkan dan diproses untuk melatih model CNN.
Kami mengevaluasi performa model klasifikasi biner menggunakan kurva Receiver Operating Characteristic (ROC) dan nilai Area Under the Curve (AUC).
Hasil menunjukkan nilai AUC sebesar 0,47, mengindikasikan performa klasifikasi yang kurang baik.
Namun, evaluasi menggunakan F1-Score menunjukkan hasil yang sangat positif, dengan nilai F1-Score pelatihan sebesar 0,87 dan validasi sebesar 0,99.
Ini mengindikasikan kemampuan prediksi yang kuat dan generalisasi yang baik dari model terhadap data yang tidak terlihat selama pelatihan.
Hasil ini menunjukkan potensi penggunaan CNN dalam mengidentifikasi kesegaran daging ayam, meskipun diperlukan perbaikan lebih lanjut untuk meningkatkan performa klasifikasi biner yang diindikasikan oleh nilai AUC.
KATA KUNCI
Pengolahan citra.
Convolutional Neural Network (CNN).
Identifikasi kesegaran daging, ayam.
KORESPONDENSI
E-mail:
2110631170035@student.
2110631170026@student.
2110631170057@student.
Latar Belakang Saat ini, perkembangan media internet semakin hari semakin meningkat yang diiringi dengan meningkatnya pengguna internet di Indonesia.
Berdasarkan hasil survei Asosiasi Penyelenggara Jasa Internet Indonesia (APJII), pengguna internet di Indonesia mencapai 215,63 juta orang pada periode 2022-2023.
Hal tersebut dapat terjadi karena banyaknya manfaat dari perkembangan internet yang tentunya dapat dirasakan di berbagai sektor kegiatan, salah http://ejournal.
id/index.
php/cbis satunya adalah kegiatan jual beli.
Transaksi jual beli yang pada hakikatnya dilakukan dengan pertemuan antara penjual dan pembeli kini sudah Proses jual beli dapat dilakukan melalui perangkat ponsel dengan menggunakan jaringan elektronik, yang dikenal dengan istilah eAe Hampir semua kategori dapat kita temui di eAecommerce, bahkan pada saat ini berbagai platform online shop juga telah memperjualbelikan bahan makanan dengan mudah, seperti daging ayam.
CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Daging ayam merupakan sumber protein hewani yang banyak dikonsumsi oleh masyarakat Indonesia.
Daging ayam memiliki harga yang relatif lebih murah dibandingkan dengan sumber protein hewani lainnya seperti daging sapi.
Oleh karena itu, daging ayam lebih digemari oleh masyarakat untuk meningkatkan kebutuhan konsumsi protein hewani terutama untuk masyarakat perkotaan maupun pedesaan.
Pada saat ini, tercatat kurang lebih sebanyak 10.
produk daging ayam telah terjual per bulannya di salah satu platform eAecommerce yaitu Shopee.
Tingginya angka pembelian daging ayam di eAe commerce membuat stok yang disediakan oleh penjual semakin banyak yang membuat hasil jualan penjual tidak sepenuhnya laku di tangan Penjual mau tidak mau harus menjual daging ayam yang sudah tidak lagi dalam kondisi segar, bahkan bisa jadi sudah busuk kepada Hal tersebut dapat menjadi permasalahan jika pembeli hanya bisa melihat dari stok foto yang disediakan oleh penjual di eAe commerce tanpa bisa melihat secara langsung kondisi daging ayam yang akan mereka beli.
Dari permasalahan itu, pembeli harus mempunyai kesadaran akan kondisi daging ayam yang masih segar atau sudah busuk meningkatkan kualitas citra berdasarkan jenis citra dan tujuan Maka dari itu teknologi diperlukan untuk mengidentifikasi perbedaan daging tersebut.
Convolutional Neural Network (CNN), salah satu metode deep learning, telah menunjukkan keunggulan dalam berbagai aplikasi pengenalan citra, termasuk pengenalan objek, klasifikasi, dan segmentasi.
CNN memiliki kemampuan luar biasa untuk mengekstraksi fiturfitur kompleks dari citra, sehingga sangat potensial untuk diterapkan dalam identifikasi kualitas daging.
Melalui penerapan CNN, fiturfitur penting dari citra daging seperti tekstur, warna, dan pola distribusi lemak dapat dianalisis secara otomatis dan objektif.
Penelitian ini bertujuan untuk mengembangkan model CNN yang dapat mengidentifikasi kualitas daging berdasarkan citra.
Model ini diharapkan mampu http://ejournal.
id/index.
php/cbis Page | 8 memberikan prediksi yang akurat tentang kualitas daging, dengan mempertimbangkan parameterparameter visual yang relevan.
Selain itu, penelitian ini juga akan mengevaluasi kinerja model CNN dengan mengidentifikasi kualitas daging mencakup pengukuran akurasi, presisi, recall, dan F1-score.
Dengan pengolahan citra digital dan pembelajaran mendalam, pendekatan ini diharapkan dapat memberikan kontribusi signifikan dalam industri pangan, khususnya dalam memastikan kualitas produk daging secara lebih efisien dan akurat.
Penelitian ini juga membuka peluang untuk pengembangan lebih lanjut dalam aplikasi pengolahan citra digital untuk evaluasi kualitas produk pangan lainnya.
II.
Kajian Literatur Citra Digital Citra digital adalah representasi visual yang diubah menjadi format digital, terdiri dari piksel yang disusun dalam grid dua dimensi.
Setiap piksel menyimpan informasi warna dalam format Pengolahan citra digital melibatkan teknikteknik untuk manipulasi dan analisis gambar dengan tujuan meningkatkan kualitas atau mengekstraksi informasi penting.
Proses ini mencakup pra pemrosesan seperti penghalusan dan peningkatan kontras, segmentasi untuk memisahkan objek dari latar belakang, dan ekstraksi fitur untuk mendapatkan karakteristik spesifik dari citra.
Dalam konteks identifikasi kesegaran daging ayam, citra digital dapat dianalisis untuk mendeteksi perubahan warna, tekstur, dan pola yang berkaitan dengan tingkat Deep Learning Deep learning adalah sub-bidang dari pembelajaran mesin yang berfokus pada algoritma yang terinspirasi oleh struktur dan fungsi otak manusia, yang dikenal sebagai jaringan saraf tiruan.
Pendekatan ini melibatkan penggunaan lapisan-lapisan pemrosesan yang terdiri dari neuron-neuron buatan untuk CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
mengekstraksi fitur-fitur kompleks dari data Salah satu ciri utama deep learning adalah kemampuannya untuk belajar dari data secara hierarkis, di mana setiap lapisan mempelajari representasi data pada tingkat yang lebih tinggi dan lebih abstrak.
Jaringan saraf tiruan dalam deep learning biasanya terdiri dari beberapa lapisan, termasuk lapisan input, beberapa lapisan tersembunyi, dan lapisan output.
Lapisan-lapisan ini dapat berupa lapisan konvolusi, pooling, dan fully connected.
Lapisan konvolusi berfungsi untuk mendeteksi fitur-fitur lokal dalam data, seperti tepi, sudut, dan tekstur dalam citra.
Lapisan pooling digunakan mengkonsolidasikan informasi penting, sehingga mengurangi beban komputasi dan risiko Lapisan fully connected, yang sering kali berada di bagian akhir jaringan, berfungsi untuk melakukan klasifikasi berdasarkan fiturfitur yang telah diekstraksi oleh lapisan Salah satu keunggulan utama deep learning adalah kemampuannya untuk bekerja dengan data dalam jumlah besar dan kompleks, seperti citra, suara, dan teks.
Metode ini telah menunjukkan keberhasilan yang luar biasa dalam berbagai pemrosesan bahasa alami, dan pengenalan suara.
Dalam konteks pengolahan citra, deep learning, khususnya melalui arsitektur Convolutional Neural Networks (CNN), telah menjadi standar emas untuk tugas-tugas seperti deteksi objek, segmentasi gambar, dan klasifikasi.
CNN dirancang khusus untuk bekerja dengan data citra, di mana setiap neuron dalam suatu lapisan hanya terhubung dengan sejumlah kecil neuron di lapisan berikutnya, membentuk apa yang disebut sebagai receptive field.
Pendekatan ini memungkinkan CNN untuk menangkap fitur-fitur spasial lokal dalam citra dengan lebih efektif dibandingkan dengan jaringan syaraf tiruan tradisional.
Dalam penelitian ini.
CNN digunakan untuk mengidentifikasi kesegaran daging ayam berdasarkan citra.
Pendekatan ini memanfaatkan http://ejournal.
id/index.
php/cbis Page | 9 kekuatan deep learning untuk mengekstraksi fiturfitur visual penting yang berkaitan dengan kesegaran daging, seperti warna.
Convolutional Neural Network
(CNN)
Convolutional Neural Network (CNN) adalah jenis arsitektur jaringan syaraf tiruan yang dirancang khusus untuk pengolahan dan analisis data yang memiliki grid pattern, seperti citra.
CNN telah menjadi alat yang sangat populer dan efektif dalam tugas-tugas pengenalan dan klasifikasi citra, karena kemampuannya untuk secara otomatis mengekstraksi fitur-fitur penting dari data input melalui proses pelatihan.
CNN
terdiri dari beberapa lapisan `yang masing-masing memiliki fungsi spesifik, yaitu lapisan konvolusi, lapisan pooling, dan lapisan fully connected.
Lapisan mengekstraksi fitur-fitur lokal dari citra, seperti tepi, sudut, dan tekstur, melalui penerapan filter .
yang melakukan operasi konvolusi pada citra input.
Setiap filter akan menghasilkan peta fitur yang berbeda, menangkap berbagai aspek penting dari citra.
Lapisan pooling kemudian digunakan untuk mengurangi dimensi peta fitur tersebut, biasanya melalui operasi maksimum atau rata-rata, sehingga mengurangi kompleksitas komputasi dan meningkatkan ketahanan terhadap perubahan kecil dalam posisi fitur pada citra.
Setelah beberapa lapisan konvolusi dan pooling, fitur-fitur yang diekstraksi dari citra akan diproses oleh lapisan fully connected.
Lapisan ini berfungsi untuk menggabungkan semua fitur yang telah dipelajari dan melakukan klasifikasi berdasarkan fitur-fitur tersebut.
Neuron-neuron dalam lapisan fully connected terhubung secara penuh dengan neuron-neuron di lapisan sebelumnya, memungkinkan model untuk membuat keputusan akhir tentang klasifikasi Dalam konteks identifikasi kesegaran daging ayam.
CNN dapat digunakan untuk menganalisis citra daging dan menentukan tingkat Melalui pelatihan pada dataset citra daging ayam dengan berbagai tingkat Page | 10 CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
CNN dapat belajar mengenali polapola visual yang terkait dengan kesegaran, seperti perubahan warna, tekstur, dan penampilan umum.
Model yang telah dilatih dapat digunakan untuk mengklasifikasikan citra baru dari daging ayam, memberikan prediksi yang akurat mengenai i.
Metodologi Metode yang digunakan terdiri dari 3 tahapan, yaitu studi literatur, lalu analisis kebutuhan, dan akhirnya perancangan sistem.
Studi Literatur Studi literatur mencakup penelusuran penelitian sebelumnya tentang pengolahan citra digital, penggunaan CNN dalam identifikasi kesegaran pangan, dan teknik analisis citra untuk daging ayam.
Tujuannya adalah memahami metode yang ada dan mengidentifikasi celah untuk kontribusi baru.
Analisis Kebutuhan Pada tahap ini, analisis kebutuhan dilakukan untuk sistem identifikasi kesegaran daging ayam menggunakan CNN.
Pertama, dikumpulkan citra daging ayam segar dan tidak segar sebagai dataset.
Kedua, perangkat keras yang memadai seperti GPU untuk mempercepat proses pelatihan model CNN.
Ketiga, perangkat lunak yang diperlukan seperti TensorFlow dan google colab untuk implementasi CNN.
Keempat, parameter dan arsitektur model CNN yang sesuai untuk analisis citra daging ayam.
Terakhir, kebutuhan integrasi sistem supaya sistem bekerja dengan baik.
Perancangan Sistem Proses kesegaran daging ayam terdiri dari beberapa Mulai dari pengumpulan data, lalu preprocessing data, kemudian membagi dataset.
Setelah itu membangun arsitektur CNN, lalu melatih model, dan terakhir evaluasi model.
IV.
Pembahasan Berikut adalah pembahasan yang lebih detail Convolutional Neural Network (CNN) untuk http://ejournal.
id/index.
php/cbis identifikasi kesegaran daging ayam berdasarkan Pengumpulan Data Data yang digunakan adalah Ayam segar dan Ayam tidak segar yang masing masing jenis menggunakan Kamera Smartphone dengan cara di potretan secara beruntun sambil memutar layar, yang diambil pada waktu siang hari.
Sehingga total gambar terdapat 500 Gambar.
Gambar daging ayam segar dapat dilihat pada gambar berikut:
Gambar 1.
Daging Ayam Segar Sedangkan gambar daging ayam tidak segar dapat dilihat pada gambar dibawah:
Gambar 2.
Daging Ayam Tidak Segar Preprocessing Data Semua gambar diubah ke ukuran 300x300 piksel untuk memastikan konsistensi dimensi masukan ke model CNN.
Perpanjangan aspek gambar dipertahankan saat mengubah ukuran.
Membagi Dataset Dataset kemudian dibagi menjadi subset pelatihan(Trainin.
dan Pengujian .
untuk memastikan evaluasi model menjadi lebih akurat.
Dengan rincian perbandingan yaitu 80.
ata lati.
:20.
ata tes.
Membangun Arsitektur CNN Page | 11 CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Gambar 3.
Arsitektur Model CNN Gambar tersebut menampilkan visualisasi dari sebagian arsitektur model Convolutional Neural Network (CNN) yang digunakan dalam proyek ini.
Visualisasi ini memperlihatkan aliran data melalui lapisan-lapisan tertentu dalam model, beserta dimensi input dan output dari setiap lapisan.
Secara lebih rinci, gambar tersebut menunjukkan penjelasan berikut:
Lapisan Input (Input Laye.
Lapisan Input (InputLaye.
: Lapisan ini menerima input gambar dengan dimensi (None, 9, 9, .
Dimensi "None" mengindikasikan bahwa model dapat menangani batch dengan ukuran apa pun, sedangkan dimensi 9, 9, 512 menunjukkan ukuran gambar adalah 9x9 piksel dengan 512 channel .
emungkinan setelah beberapa lapisan konvolusi sebelumny.
Lapisan Flatten (Flatte.
Lapisan ini membentangkan .
output dari lapisan sebelumnya menjadi vektor satu Input lapisan ini memiliki dimensi (None, 9, 9, .
, dan outputnya menjadi (None, 4.
, di mana 4172 adalah hasil dari 9 x 9 x 512 .
kuran gambar dikalikan dengan jumlah Lapisan Dense (Dens.
Lapisan dense .
ully-connecte.
pertama menerima input dengan dimensi (None, 4.
dari lapisan Flatten.
Lapisan ini menghasilkan output dengan dimensi (None, .
, yang berarti lapisan ini memiliki 256 neuron.
Lapisan Dense (Dense .
http://ejournal.
id/index.
php/cbis Lapisan dense .
ully-connecte.
pertama menerima input dengan dimensi (None, 4.
dari lapisan Flatten.
Lapisan ini menghasilkan output dengan dimensi (None, .
, yang berarti lapisan ini memiliki 256 neuron.
Visualisasi ini membantu dalam memahami aliran data melalui lapisan-lapisan tertentu dalam model CNN, serta dimensi input dan output dari setiap lapisan.
Informasi ini penting untuk menganalisis apakah arsitektur model sesuai dengan tugas yang ingin diselesaikan dan untuk melacak potensi masalah seperti dimensi yang tidak sesuai atau jumlah parameter yang terlalu besar atau terlalu kecil.
Melatih Model Tahap selanjutnya yaitu melatih model.
Training Model ini memiliki parameter epoch sebanyak 100 epoch dengan menggunakan 2 callback yang sudah dibuat sebelumnya.
Berikut keterangan proses training model:
Gambar 4.
Keterangan tiap Beberapa Iterasinya Evaluasi Model Gambar 5.
Akurasi Model Page | 12 CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Gambar 6.
Akurasi Model Pada plot akurasi, garis oranye menunjukkan akurasi pelatihan .
rain accurac.
dan garis biru menunjukkan akurasi validasi .
alidation Terlihat bahwa akurasi validasi mencapai nilai sekitar 1 atau 100% pada akhir pelatihan, sementara akurasi pelatihan lebih rendah, hanya sekitar 0,85 atau 85%.
Pada plot loss model, garis biru menunjukkan loss pelatihan .
rain los.
dan garis oranye menunjukkan loss validasi .
alidation Kedua garis loss tersebut menunjukkan tren yang terus menurun seiring bertambahnya epoch Pada akhir pelatihan, baik loss pelatihan maupun loss validasi berada di bawah nilai 0,5, yang menandakan model memiliki performa evaluasi yang baik.
Secara umum, visualisasi ini menunjukkan bahwa model yang dilatih memiliki kinerja yang baik, dengan akurasi validasi yang tinggi .
%) dan loss yang rendah (<0,.
untuk kedua set data pelatihan dan validasi.
Namun, akurasi pelatihan sedikit lebih rendah dibandingkan akurasi validasi, yang mungkin mengindikasikan adanya sedikit overfitting pada data pelatihan.
Bisa dilihat pada gambar dibawah.
http://ejournal.
id/index.
php/cbis Gambar 7.
Visualisasi ROC Gambar tersebut menampilkan kurva Receiver Operating Characteristic (ROC) yang digunakan untuk mengevaluasi performa model klasifikasi biner.
Kurva ROC menggambarkan hubungan antara true positive rate .
dan false positive rate .
- spesifisita.
pada berbagai ambang batas keputusan.
Dalam gambar ini, garis merah muda menunjukkan kurva ROC untuk model yang dibangun, sedangkan garis biru diagonal menunjukkan kurva ROC untuk model acak .
andom gues.
Satu aspek penting yang perlu diperhatikan adalah nilai Area Under the Curve (AUC) yang tercantum di legenda grafik, yaitu 0,47.
Nilai AUC berkisar antara 0 hingga 1, dengan nilai 1 menunjukkan kinerja klasifikasi sempurna, dan nilai 0,5 menunjukkan kinerja sama seperti acak.
Nilai AUC sebesar 0,47 mengindikasikan bahwa model ini memiliki kinerja yang kurang baik dalam melakukan klasifikasi biner.
Nilai AUC yang rendah .
i bawah 0,.
menunjukkan bahwa model tersebut memiliki kemampuan diskriminasi yang buruk dalam membedakan antara kelas positif dan negatif.
Oleh karena itu, berdasarkan visualisasi kurva ROC dan nilai AUC yang rendah .
, dapat disimpulkan bahwa model ini kurang baik dan mungkin tidak sesuai untuk digunakan dalam pengambilan keputusan klasifikasi biner pada kasus ini.
Nilai AUC yang lebih tinggi .
isalnya > 0,7 atau 0,.
umumnya diinginkan untuk CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
mendapatkan performa klasifikasi yang lebih Gambar 8.
Menghitung Nilai F1 Score Gambar 9.
Hasil Nilai F1 Score Gambar 9 menunjukkan hasil perhitungan F1 Score berdasarkan Nilai Precision Dan Recall.
Hasil ini sangat positif dan menunjukkan bahwa model yang dilatih memiliki kemampuan prediksi yang kuat baik pada data pelatihan maupun data Nilai F1-Score pelatihan sebesar 0.
mencerminkan keseimbangan yang baik antara precision dan recall pada data pelatihan, sedangkan nilai F1-Score validasi sebesar 0.
mencerminkan performa model yang sangat baik dalam mengenali dan mengklasifikasikan data validasi dengan tingkat akurasi yang sangat Hal ini mengindikasikan bahwa model tidak hanya menghafal data pelatihan tetapi juga mampu menggeneralisasi dengan baik pada data yang tidak terlihat selama pelatihan.
Kesimpulan Berdasarkan disimpulkan bahwa model Convolutional Neural Network (CNN) yang dikembangkan untuk mengidentifikasi kesegaran daging ayam berdasarkan citra memiliki performa yang Kurva Receiver Operating Characteristic (ROC) menunjukkan bahwa model ini memiliki nilai Area Under the Curve (AUC) sebesar 0,47, yang mengindikasikan kinerja klasifikasi biner yang kurang baik.
Hal ini http://ejournal.
id/index.
php/cbis Page | 13 menunjukkan bahwa model memiliki kemampuan diskriminasi yang buruk dalam membedakan antara kelas positif dan negatif.
Namun, nilai F1-Score menunjukkan hasil yang sangat positif dengan nilai 0,87 pada data pelatihan dan 0,99 pada data validasi.
Nilai F1Score keseimbangan yang baik antara precision dan recall, serta kemampuan model dalam menggeneralisasi data yang tidak terlihat selama Ini menunjukkan bahwa meskipun model kurang efektif dalam klasifikasi biner berdasarkan AUC, ia tetap memiliki kemampuan prediksi yang kuat dalam konteks precision dan Mengingat nilai AUC yang rendah, mengimplementasikan teknik-teknik peningkatan model seperti fine-tuning hyperparameters, peningkatan jumlah data pelatihan, atau menggunakan arsitektur CNN yang lebih kompleks untuk meningkatkan kemampuan diskriminasi model.
Kemudian metode pembelajaran mesin lain atau kombinasi dengan teknik ensemble untuk meningkatkan akurasi dan robustitas model.
Ucapan Terima Kasih.
Penulis menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang telah memberikan dukungan dan bantuan selama proses penelitian ini.
Pertama, penulis mengucapkan terima kasih kepada Pak Chaerur Rozikin.
Kom, sebagai pembimbing yang telah memberikan arahan, bimbingan, dan motivasi tanpa henti sehingga penelitian ini dapat diselesaikan dengan baik.
Penulis juga berterima kasih kepada Universitas Singaperbangsa Karawang atas fasilitas dan sarana yang telah disediakan selama penelitian ini.
Page | 14 CBIS JOURNAL - VOL.
12 NO.
: SEPTEMBER
Tidak lupa, penulis mengucapkan terima kasih kepada keluarga dan teman-teman atas dukungan dan doa yang terus menerus sehingga penelitian ini dapat diselesaikan dengan baik.
Akhir kata, penulis berharap penelitian ini dapat memberikan manfaat dan kontribusi positif dalam perkembangan ilmu pengetahuan, khususnya dalam bidang identifikasi kesegaran daging ayam menggunakan teknologi pengolahan citra dan pembelajaran mesin.
Daftar Pustaka