Evaluasi Kinerja Model Inception Resnet-V2 dan Inception-V4 dalam Mengklasifikasi Kualitas Biji Kakao

MUHAMMAD ICHWAN; HANIFAH SUMANTRI

doi:10.26760/mindjournal.v9i1.25-41

Evaluasi Kinerja Model Inception Resnet-V2 dan Inception-V4 dalam Mengklasifikasi Kualitas Biji Kakao

MUHAMMAD ICHWAN, HANIFAH SUMANTRI

Sari

Abstrak

Kakao adalah komoditas ekspor penting bagi Indonesia, dan untuk memenuhi standar mutu, diperlukan sistem klasifikasi biji kakao. Penelitian menggunakan metode CNN dengan fokus pada arsitektur Inception Resnet-V2 dan Inception-V4 untuk mengatasi permasalahan klasifikasi citra kualitas biji kakao. Keduanya merupakan inovasi dari keluarga Inception, dengan Inception Resnet-V2 menggabungkan elemen dari ResNet dan Inception, sementara Inception-V4 memperbaiki performa dengan mengurangi kompleksitas arsitektur. Tujuan penelitian adalah untuk mengevaluasi performa model dari kedua arsitektur tersebut dalam konteks klasifikasi biji kakao. Hasil penelitian menunjukkan bahwa arsitektur Inception Resnet-V2 dengan pengaturan optimizer RMSprop, batch size 16, dan learning rate 0,0001 memiliki performa terbaik, dengan nilai akurasi 91,87%, presisi 92,00%, recall 92,00%, f1-score 92,00%, dan ROC AUC Score 0,950.

Kata kunci: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Biji Kakao

AbstractCocoa is an important export commodity for Indonesia, and to meet quality standards, a cocoa bean classification system is needed. The research utilizes CNN method, focusing on Inception Resnet-V2 and Inception-V4 architectures to address cocoa bean quality image classification issues. Both are innovations from the Inception family, with Inception Resnet-V2 combining elements of ResNet and Inception, while Inception-V4 improves performance by reducing architectural complexity. The research objective is to evaluate the performance of models from both architectures in the context of cocoa bean classification. Research results show that the Inception Resnet-V2 architecture with RMSprop optimizer settings, batch size 16, and learning rate 0.0001 performs the best, with an accuracy of 91.87%, precision of 92.00%, recall of 92.00%, f1-score of 92.00%, and ROC AUC Score of 0.950.

Keywords: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Cocoa Beans

Teks Lengkap:

PDF

Referensi

Abed, M. H., Al-Rammahi, A. H. I., & Radif, M. J. (2019). Real-Time Color Image Classification Based On Deep Learning Network. Journal of Southwest Jiaotong University, 54(5). https://doi.org/10.35741/issn.0258-2724.54.5.23

Akbar, S. N. A. F., Hendra, & Supri Bin Hj. Amir. (2020). Perbandingan Kinerja Arsitektur Inception-V4 Dan Resnet-50 Dalam Mengklasifikasikan Citra Paru-Paru Terinfeksi Covid-19. 2.

Al Husaini, M. A. S., Habaebi, M. H., Gunawan, T. S., Islam, M. R., Elsheikh, E. A. A., & Suliman, F. M. (2022). Thermal-based early breast cancer detection using inception V3, inception V4 and modified inception MV4. Neural Computing and Applications, 34(1), 333–348. https://doi.org/10.1007/s00521-021-06372-1

Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. In Journal of Big Data (Vol. 8, Issue 1). Springer International Publishing. https://doi.org/10.1186/s40537-021-00444-8

Arrofiqoh, E. N., & Harintaka, H. (2018). Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi. Geomatika, 24(2), 61. https://doi.org/10.24895/jig.2018.24-2.810

Hadiwandra, T. Y. (2019). Perbandingan Kinerja Model Klasifikasi Decission Tree , Bayesian Classifier, Instance Base, Linear Function Base, Rule Base pada 4 Dataset Berbeda. Sains Dan Teknologi InformasI, 5(1).

Kadhim, M. A., & Abed, M. H. (2020). Convolutional neural network for satellite image classification. In Studies in Computational Intelligence (Vol. 830, Issue January). Springer International Publishing. https://doi.org/10.1007/978-3-030-14132-5_13

Kristiawan, K., & Widjaja, A. (2021). Perbandingan Algoritma Machine Learning dalam Menilai Sebuah Lokasi Toko Ritel. Jurnal Teknik Informatika Dan Sistem Informasi, 7(1), 35–46. https://doi.org/10.28932/jutisi.v7i1.3182

Liu, L., Ouyang, W., Wang, X., Fieguth, P., Chen, J., Liu, X., & Pietikäinen, M. (2020). Deep Learning for Generic Object Detection: A Survey. International Journal of Computer Vision, 128(2), 261–318. https://doi.org/10.1007/s11263-019-01247-4

Masruroh, F., Surarso, B., Warsito, B., & Korespondensi, P. (2023). Perbandingan Kinerja Inception-Resnetv2, Xception, Inception-V3, Dan Resnet50 Pada Gambar Bentuk Wajah Performance Comparison of Inception-Resnetv2, Xception, Inception-V3, and Resnet50 on Face Shape Images. 10(1), 11–20. https://doi.org/10.25126/jtiik.2023104941

Nugraha, P., Komarudin, A., Ramadhan, E., & Learning, D. (2022). Deteksi Objek Dan Jenis Burung Menggunakan Convolutional Neural Network Dengan Arsitektur Inception Resnet-V2. 8, 47–55.

Prashanth, D. S., Mehta, R. V. K., & Sharma, N. (2020). Classification of Handwritten Devanagari Number - An analysis of Pattern Recognition Tool using Neural Network and CNN. Procedia Computer Science, 167(2019), 2445–2457. https://doi.org/10.1016/j.procs.2020.03.297

Rochmawanti, O., Utaminingrum, F., & Bachtiar, F. A. (2021). Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(4), 805. https://doi.org/10.25126/jtiik.2021844441

Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. A. (2016). Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. Pattern Recognition Letters, 42(1), 11–24. http://arxiv.org/abs/1512.00567

Wahid, M. I., Mustamin, S. A., & Lawi, A. (2021). Identifikasi Dan Klasifikasi Citra Penyakit Daun Tomat Menggunakan Arsitektur Inception V4. Konferensi Nasional Ilmu Komputer (KONIK), 2019, 257–264.

Winarto, E. G., Lawi, A., Studi, P., Informasi, S., Hasanuddin, U., Studi, P., & Informasi, S. (2021). Implementasi Arsitektur Inception Resnet-V2 untuk Klasifikasi Kualitas Biji Kakao. 132–137.

Windiawan, R., Suharso, A., & Artikel, S. (2021). Identifikasi Penyakit pada Daun Kopi Menggunakan Metode Deep Learning VGG16. Jurnal Keilmuan Dan Aplikasi Teknik Informatika, 13(2), 9–16. https://doi.org/10.35891/explorit

DOI: https://doi.org/10.26760/mindjournal.v9i1.25-41