Analisis Pengaruh Optimizer pada Model CNN untuk Identifikasi Cacat pada Perekat Kemasan
Abstract
Industri makanan dan minuman yang mengalami peningkatan pesat salah satunya yakni industri produksi tepung terigu. Namun, dalam proses produksi masih mengalami kendala salah satunya klasifikasi kelayakan kemasan produk tepung terigu yang sesuai standard. Penelitian ini bertujuan untuk mengetahui pengaruh optimizer pada model Convolutional Neural Network dalam mendeteksi hasil kelayakan produk kemasan tepung terigu berdasarkan 2 kondisi yakni cacat atau normal. Area deteksi kemasan dilakukan pada area vertikal kemasan dengan indikasi cacat ditentukan berdasarkan kerusakan pada area perekat kemasan yang menimbulkan keluarnya bercak tepung pada area tersebut. Proses deteksi menggunakan webcam untuk capture image yang kemudian akan dilakukan ekstraksi fitur, reduksi citra, dan classification berdasarkan nilai probabilitas tertinggi. Pada penelitian ini kami mengimplementasikan dan membandingkan optimizer pada model CNN untuk meminimalisir terjadinya overfitting serta menghasilkan akurasi terbaik dalam klasifikasi produk cacat atau normal. Optimizer yang dibandingkan yakni optimizer Adadelta, Adagrad, Adam, Adamax, RMSprop, dan SGD. Dataset berjumlah 250 gambar, 125 gambar merupakan kelas cacat dan 125 gambar lainnya merupakan kelas normal. Sementara itu, split data pada proses training dibagi dengan perbandingan 90% data training dan 10% data validation. Setelah dilakukan pengujian diperoleh hasil training model CNN terbaik yakni menggunakan optimizer Adam dengan validation accuracy sebesar 92.77% dan akurasi testing mencapai 90%.
Kata kunci— CNN, Optimizer, Kemasan, Tepung Terigu, Klasifikasi.
Keywords
Full Text:
PDFReferences
Kementerian Perindustrian Republik Indonesia, “LEMBAGA PENILAIAN KESESUAIAN DALAM RANGKA PEMBERLAKUAN DAN PENGAWASAN STANDAR NASIONAL INDONESIA TEPUNG TERIGU SEBAGAI BAHAN MAKANAN SECARA WAJIB,” 2021, [Online]. Available: http://pustan.kemenperin.go.id/public/default/file_penunjukan/Permenperin_No._11_Tahun_2021_1 (1).pdf.
Y. Zhao, Y. Zhao, L. Wang, Y. Yang, and Y. Wang, “Femtosecond Laser Processing Assisted SiC High-Temperature Pressure Sensor Fabrication and Performance Test,” Micromachines, vol. 14, no. 3, p. 587, 2023, doi: 10.3390/mi14030587.
A. A. Santosa, R. Y. N. Fu’adah, and S. Rizal, “Deteksi Penyakit pada Tanaman Padi Menggunakan Pengolahan Citra Digital dengan Metode Convolutional Neural Network,” J. Electr. Syst. Control Eng., vol. 6, no. 2, pp. 98–108, 2023, doi: 10.31289/jesce.v6i2.7930.
F. Chan Uswatun, Angkin, “Implementasi Data Augmentation Random Erasing dan GridMask pada CNN untuk Klasifikasi Batik,” vol. 13, no. 1, pp. 16–28, 2023.
M. S. Rifki Dita, Ryan Yudha, “MIdentification System of Personal Protective Equipment Using Convolutional Neural Network (CNN) Method,” Int. Symp. Electron. Smart Devices, pp. 1–6, 2019.
P. N. Dacipta and R. E. Putra, “Sistem Klasifikasi Limbah Menggunakan Metode Convolutional Neural Network (CNN) Pada Webservice Berbasis Framework Flask,” J. Informatics Comput. Sci., vol. 3, no. 04, pp. 394–402, 2022, doi: 10.26740/jinacs.v3n04.p394-402.
A. Muhammad Zacky, “Implementasi Algoritma Convolutional Neural Network Pada Kendaraan Tanpa Awak Skala Kecil,” vol. 5, pp. 19–26, 2023.
M. E. A.-R. Billy Gunawan, “KLASIFIKASI JENIS BERAS PUTIH MENGGUNAKAN CNN RESIDUAL NETWORK OPTIMIZER SGD,” pp. 128–132, 2023.
S. R. Dewi, “DEEP LEARNING OBJECT DETECTION PADA VIDEO MENGGUNAKAN TENSORFLOW DAN CONVOLUTIONAL NEURAL NETWORK,” pp. 1–60, 2018, [Online]. Available: https://dspace.uii.ac.id/bitstream/handle/123456789/7762/14611242_Syarifah Rosita Dewi_Statistika.pdf?sequence=1.
S. Septhyan, R. Magdalena, and N. K. C. Pratiwi, “Deep Learning Untuk Deteksi Covid-19 , Pneumonia , Dan Tuberculosis Pada Citra Rontgen Dada Menggunakan CNN Dengan Arsitektur Alexnet,” vol. 8, no. 6, pp. 2869–2878, 2022.
A. F. Anavyanto, M. Resa, and A. Yudianto, “EfficientNetV2M for Image Classification of Tomato Leaf Deseases,” vol. 11, no. 225, pp. 55–76, 2023.
D. M. Agung Wira, Ikhwan, “KLASIFIKASI KERUSAKAN JALAN PADA CITRA JALAN RAYA PONTIANAK DAN SEKITARNYA DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK,” vol. 11, no. 01, pp. 11–20, 2023.
D. N. Herdianto, “IMPLEMENTASI METODE CNN UNTUK KLASIFIKASI OBJEK,” J. Manaj. Inform. Komputerisasi Akunt., vol. 7, no. 1, pp. 54–60, 2023.
R. T. Andhika Bagas, Hendry, “IMPLEMENTASI MODEL DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK (CNN) PADA CITRA PENYAKIT DAUN JAGUNG UNTUK KLASIFIKASI PENYAKIT TANAMAN,” J. Pendidik. Teknol. Inf., vol. 6, no. 1, pp. 107–116, 2023.
M. H. Sukriyandi and A. Solichin, “Identifikasi Garis Telapak Tangan Dengan Metode MobileNet Convolutional Neural Network Untuk Sistem Presensi Siswa,” Fakt. Exacta, vol. 16, no. 1, pp. 31–41, 2023, doi: 10.30998/faktorexacta.v16i1.15138.
DOI: http://dx.doi.org/10.30700/jst.v13i2.1447
Article Metrics
Abstract view : 690 timesPDF - 417 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 SISFOTENIKA
This work is licensed under a Creative Commons Attribution 4.0 International License.
Badan Pengelola Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (SISFOTENIKA) STMIK Pontianak.
Jurnal Ilmiah SISFOTENIKA terindex di :
| |
SERTIFIKAT PENGHARGAAN :
Jurnal Ilmiah SISFOTENIKA Terakreditasi Peringkat Empat
Partners & Co-Organizers:
Jurnal Ilmiah SISFOTENIKA: STMIK Pontianak Online Journal ISSN Printed (2087-7897) - ISSN Online (2460-5344) licensed under a Lisensi Creative Commons Atribusi 4.0 Internasional.