OPTIMALISASI MODEL DEEP LEARNING UNTUK MENINGKATKAN AKURASI KLASIFIKASI CITRA MAKANAN KHAS JAWA DAN SUMATERA
Abstract
Indonesia adalah negara yang memiliki kekayaan kuliner yang beragam,
namun tantangan dalam mengidentifikasi dan mengklasifikasikan
makanan tradisional semakin meningkat, terutama di kalangan generasi
muda. Penelitian ini bertujuan untuk mengoptimalkan model deep
learning dalam meningkatkan akurasi klasifikasi citra makanan khas
Jawa dan Sumatera menggunakan pendekatan transfer learning. Dataset
yang digunakan terdiri dari 595 citra makanan dari 14 provinsi di Pulau
Jawa dan Sumatera. Implementasi dilakukan menggunakan dua
arsitektur, yaitu VGG16 dan ResNet50, dengan menerapkan teknik
preprocessing dan augmentasi data untuk meningkatkan kualitas dan
variasi dataset. Hasil penelitian menunjukkan peningkatan signifikan
dibandingkan penelitian sebelumnya yang menggunakan CNN custom
(64%), dimana model ResNet50 mencapai akurasi tertinggi sebesar 90%,
sementara VGG16 mencapai akurasi 88%. Meskipun menghadapi
tantangan seperti ketidakseimbangan dataset dan kompleksitas visual,
kedua model menunjukkan kemampuan yang baik dalam
mengklasifikasikan makanan tradisional. Penelitian ini memberikan
kontribusi dalam pengembangan sistem klasifikasi makanan tradisional
yang lebih akurat, yang dapat membantu upaya pelestarian dan promosi
warisan kuliner nusantara.
Keywords
Full Text:
PDFReferences
Indria Ariyanti, “Ekosistem Kuliner Indonesia Berstandar Global,” PEDAGOGY, vol. 10, no. 1, pp. 81–88, 2023.
Annisa Nurcahya Frysilia Hidayat, Andini Dwi Dinanti, and Keyla Deandra Fathiyyah, “Preferensi Mahasiswa Terhadap Makanan Tradisional dengan Makanan Cepat Saji dari segi Pemahaman Bahan Kimia,” Konstanta: Jurnal Matematika dan Ilmu Pengelatuan Alam, vol. 2, no. 1, pp. 226–238, Mar. 2024.
D. Sahoo et al., “FoodAI: Food Image Recognition via Deep Learning for Smart Food Logging,” 2019, pp. 2260–2268.
M. Chun, H. Jeong, H. Lee, T. Yoo, and H. Jung, “Development of Korean Food Image Classification Model Using Public Food Image Dataset and Deep Learning Methods,” IEEE Access, vol. 10, pp. 128732–128741, 2022.
K. Srigurulekha and V. Ramachandran, “Food image recognition using CNN,” in 2020 International Conference on Computer Communication and Informatics (ICCCI), 2020, pp. 1–6.
R. Vankdothu, M. A. Hameed, and H. Fatima, “A Brain Tumor Identification and Classification Using Deep Learn-ing based on CNN-LSTM Method,” Computers and Electrical Engineering, vol. 101, p. 107960, 2022.
Y. S. Hariyani, H. Eom, and C. Park, “DA-Capnet: Dual Attention Deep Learning Based on U-Net for Nailfold Ca-pillary Segmentation,” IEEE Access, vol. 8, pp. 10543–10553, 2020.
G. Kaur et al., “Face mask recognition system using CNN model,” Neuroscience Informatics, vol. 2, no. 3, p. 100035, 2022.
Wisnu Prayogo Kusumo and Christian Sri Kusuma Aditya, “Klasifikasi Citra Makanan Berdasarkan Asal Daerah Menggunakan Convolutional Neural Network,” Techno.COM, vol. 23, pp. 87–95, Feb. 2024.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770–778.
K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” in 3rd International Conference on Learning Representations (ICLR 2015), 2014, pp. 1–14.
Raihan Faturrahman, Yuli Sun Hariyani, and Sugondo Hadiyoso, “Klasifikasi Jajanan Tradisional Indonesia ber-basis Deep Learning dan Metode Transfer Learning,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Tele-komunikasi, & Teknik Elektronika, vol. 11, pp. 945–957, Oct. 2023.
Sarah Lasniari, Jasril, Suwanto Sanjaya, Febi Yanto, and Muhammad Affandes, “Klasifikasi Citra Daging Babi dan Daging Sapi Menggunakan Deep Learning Arsitektur ResNet-50 dengan Augmentasi Citra,” SINTECH Journal, vol. 3, pp. 450–457, Jun. 2024.
N. L. W. Rahayu, N. Gunantara, and M. Sudarma, “Klasifikasi Jajanan Khas Bali Untuk Preservasi Pengetahuan Kuliner Lokal Menggunakan Arsitektur VGG-16,” SINTECH JOURNAL, vol. 12 (1), pp. 1–10, 2024.
Murinto, M. Rosyda, and M. Melany, “Klasifikasi Jenis Biji Kopi Menggunkan Convolutional Neural Network dan Transfer Learning pada Model VGG16 dan MobileNetV2,” Jurnal Riset Sains dan Teknologi, vol. 7, no. 2, pp. 183–189, 2023.
W. Swastika, “Studi Awal Deteksi COVID-19 Menggunakan Citra CT Berbasis Deep Learning,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 3, pp. 629–634, 2020.
S. Lasniari, J. Jasril, S. Sanjaya, F. Yanto, and M. Affandes, “Klasifikasi Citra Daging Babi dan Daging Sapi Menggunakan Deep Learning Arsitektur ResNet-50 dengan Augmentasi Citra,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 3, no. 4, pp. 450–457, 2022.
H. E. Kim, A. Cosa-Linan, N. Santhanam, M. Jannesari, M. E. Maros, and T. Ganslandt, “Transfer learning for med-ical image classification: a literature review,” BMC Med Imaging, vol. 22, no. 1, pp. 1–13, 2022.
M. Hussain, J. J. Bird, and D. R. Faria, “A Study on CNN Transfer Learning for Image Classification,” in UK Work-shop on Computational Intelligence, Springer, Cham, 2018, pp. 191–202.
S. T. Krishna and H. K. Kalluri, “Deep learning and transfer learning approaches for image classification,” Interna-tional Journal of Recent Technology and Engineering (IJRTE), vol. 7, no. 5S4, pp. 427–432, 2019.
Z.-P. Jiang, Y.-Y. Liu, Z.-E. Shao, and K.-W. Huang, “An Improved VGG16 Model for Pneumonia Image Classifica-tion,” Applied Sciences, vol. 11, no. 23, p. 11185, 2021.
DOI: https://doi.org/10.29100/jipi.v10i4.7055
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.