Komparasi Kombinasi Pre-trained Model dengan SVM pada Klasifikasi Kematangan Kopi Berbasis Citra
DOI:
https://doi.org/10.47178/dynamicsaint.v7i1.1613Keywords:
Machine Learning, Transfer Learning, Support Vector Machine, Klasifikasi Citra, KopiAbstract
Harga kopi di pasar dunia dilihat dari kualitas kopi itu sendiri. Kualitas kopi sangat dipengaruhi oleh proses pengolahan kopi mulai dari proses taman hingga proses pasca panen. Salah satu proses pada tahapan pasca panen adalah melakukan penyortiran kopi yang matang. Identifikasi kematangan kopi pada dasarnya dilihat dari warna buah kopi. Perkembangan teknologi kecerdasan buatan secara khusus pembelajaran mendalan (deep learning) dapat digunakan untuk menyelesaian permasalahan tersebut melalui klasifikasi. Salah satu metode yang dapat digunakan adalah transfer learning dengan menggunakan model yang telah dilatih sebelumnya untuk menyelesaiakan tugas yang hampir sama. Tujuan penelitian ini adalah membandingkan pre-trained model yaitu VGG16, MobilnetV2 dan Inception yang dikombinasikan dengan support vector machine (SVM) pada lapisan classifier untuk melakukan klasifikasi kematangan buah kopi. Proses pelatihan model menggunakan tuning hyperparameter GridseacrhCV dengan 10 fold cross validation untuk mendapatkan kombinasi parameter terbaik dari SVM. Hasil penelitian memperlihatkan kombinasi model VGG16 dengan SVM dan MobileNetV2 dengan SVM memperlihatkan akurasi sebesar 0,96 atau 96%.
References
H. Syahputra, F. Arnia, and K. Munadi, “Karakterisasi Kematangan Buah Kopi Berdasarkan Warna Kulit Kopi Menggunakan Histogram dan Momen Warna,” J. Nas. Tek. Elektro, vol. 8, no. 1, p. 42, 2019, doi: 10.25077/jnte.v8n1.615.2019.
Widyaningsih, I. I. Tritosa, and N. C. Kumalasari, “Perbandingan Klasifikasi Tingkat Kematangan Buah Kopi Menggunakan Metode Fuzzy Logic Dan K-Nearest Neighbor Dengan Ekstraksi Ciri Gray Level Co-Occurrence Matrix,” in e-Proceeding of Engineering, 2020, vol. 7, no. 2, pp. 4060–4073, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/13016/12684.
E. H. Rachmawanto and A. Salam, “Pengukuran Tingkat Kematangan Kopi Robusta menggunakan Algoritma K-Nearest Neighbor,” in Prosiding SENDI_U, 2018, pp. 978–979.
W. A. Pulungan, Y. Mulyani, and W. E. Sulistiono, “Identifikasi Kematangan Buah Kopi Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization,” Barometer, vol. 4, no. 2, p. 217, 2019, doi: 10.35261/barometer.v4i2.1834.
M. Rioarda, B. Fatkhurrozi, and I. Setyowati, “Klasifikasi Tingkat Kematangan Buah Kopi Menggunakan Algoritma Fuzzy C – Means,” THETA OMEGA J. Electr. Eng. Comput. Inf. Technol., vol. 2, no. 1, 2021, [Online]. Available: https://jurnal.untidar.ac.id/index.php/thetaomega/article/view/3913/1895.
F. Rochman and H. Junaedi, “IMPLEMENTASI TRANSFER LEARNING UNTUK IDENTIFIKASI ORDO TUMBUHAN MELALUI DAUN,” J. Syntax Admiration, vol. 1, no. 6, pp. 672–679, 2020.
R. Siddiqi, “Effectiveness of Transfer Learning and Fine Tuning in Automated Fruit Image Classification,” in Proceedings of the 2019 3rd International Conference on Deep Learning Technologies, 2019, pp. 91–100, doi: 10.1145/3342999.3343002.
K. Weiss, T. M. Khoshgoftaar, and D. Wang, “A survey of transfer learning,” in Journal of Big Data, Springer International Publishing, 2016, pp. 2–40.
L. Alzubaidi et al., Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021.
W. Swastika, “Studi Awal Deteksi Covid-19 Menggunakan Citra Ct Berbasis Deep Learning,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, pp. 629–634, 2020, doi: 10.25126/jtiik.202073399.
R. Artikel and D. Udjulawa, “Klasifikasi Lukisan Karya Van Gogh Menggunakan Convolutional Neural Network- Support Vector Machine,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. April, pp. 192–205, 2021, doi: http://dx.doi.org/10.28932/jutisi.v7i1.3399.
A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017, [Online]. Available: http://arxiv.org/abs/1704.04861.
T. Yan, S.-L. Shen, A. Zhou, and X.-S. Chen, “Prediction of geological characteristics from shield operational parameters using integrating grid search and K-fold cross validation into stacking classification algorithm,” J. Rock Mech. Geotech. Eng., vol. 14, no. 3, 2022, doi: 10.1016/j.jrmge.2022.03.002.
A. E. Minarno, M. H. C. Mandiri, and M. R. Alfarizy, “Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 9, no. 3, pp. 493–504, 2021, doi: DOI?: http://dx.doi.org/10.26760/elkomika.v9i3.493.
K. Shankar, Y. Zhang, Y. Liu, C. Chen, and S. Member, “Hyperparameter Tuning Deep Learning for Diabetic Retinopathy Fundus Image Classification,” IEEE Access, vol. 8, pp. 118164–118173, 2020, doi: 10.1109/ACCESS.2020.3005152.
D. M. Belete and M. D. Huchaiah, “Grid search in hyperparameter optimization of machine learning models for prediction of HIV / AIDS test results,” Int. J. Comput. Appl., no. September, 2021, doi: 10.1080/1206212X.2021.1974663.
W. Nugraha and A. Sasongko, “Hyperparameter Tuning pada Algoritma Klasifikasi denganGrid Search,” Sist. J. Sist. Inf., vol. 11, no. 2, pp. 391–401, 2022.
Y. Ba?tanlar and M. Ozuysal, Introduction to Machine Learning Second Edition, vol. 1107. 2014.
A. Tharwat, “Classification Assessment Methods,” Appl. Comput. Informatics, vol. 17, no. 1, pp. 168–192, 2018, doi: 10.1016/j.aci.2018.08.003.
Downloads
Published
Issue
Section
License
Copyright (c) 2022 Aryo Michael
This work is licensed under a Creative Commons Attribution 4.0 International License.
