Hybrid Algoritma Vgg16-Net Dengan Support Vector Machine Untuk Klasifikasi Jenis Buah dan sayuran

Aditya Dwi Putro; Henri Tantyoko

doi:10.35746/jtim.v5i2.335

Aditya Dwi Putro Institut Teknologi Telkom Purwokerto
Henri Tantyoko Institut Teknologi Telkom Purwokerto

DOI: https://doi.org/10.35746/jtim.v5i2.335

Keywords: Convolutional Neural Network, Citra, Deep Learning, Support Vector Machine, VGG16-Net

Abstract

Arsitektur deep learning VGG16 terbukti efektif dalam hal melakukan klasifikasi citra pada dataset ImageNet, akan tetapi memiliki keterbatasan dalam jumlah parameter sangat banyak dan potensi overfitting pada dataset kecil. SVM memiliki kelebihan dalam hal menangani masalah overfitting pada dataset yang relatif kecil, sementara VGG16 memiliki keunggulan dalam mengekstraksi fitur yang berkualitas dari citra dengan performa yang sangat baik. SVM juga dapat membantu memperbaiki kinerja klasifikasi pada VGG16 dengan meminimalkan risiko overfitting dan meningkatkan akurasi klasifikasi pada dataset yang relatif kecil. Oleh karena itu, penulis memilih untuk hybrid algoritma VGG16Net Dengan Support Vector Machine Untuk Klasifikasi Jenis buah dan sayuran, yang nantinya arsitektur VGG16 digunakan untuk ekstraksi fitur dari citra dan fitur-fitur tersebut dijadikan input untuk SVM. Keputusan menggunakan VGG16 digabungkan dengan SVM adalah untuk meningkatkan akurasi klasifikasi dataset citra buah dan sayuran, Namun, penggunaan SVM membutuhkan pemilihan parameter yang tepat dan teknik prapemrosesan data yang tepat untuk mencapai hasil yang baik. Dan dalam penelitian ini penulis berhasil mengklasifikasikan citra buah dan sayuran, akurasi sebelum hybrid svm mendapatkan 94.52% training accuracy dan testing (validation) accuracy sebesar 87.85%. dan hasil loss mendapat training loss sebesar 0.58 dan testing loss accuracy sebesar 12.5%. Setelah dilakukan hybrid vgg16 dengan svm didapatkan training accuracy sebesar 99.87 % dan testing (validation) accuracy sebesar 91.76 %. Untuk hasil loss mendapat training loss sebesar 0.13 dan testing loss accuracy sebesar 8.24%. Oleh karena itu, arsitektur CNN VGG-16Net digabungkan dengan SVM dapat menghasilkan model klasifikasi yang baik, terutama pada dataset yang relatif kecil dan dapat menjadi pilihan yang sesuai dalam klasifikasi citra.

Downloads

Download data is not yet available.

References

A. Luthfiarta, “VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification,” Jurnal Informatika dan Teknologi Informasi, vol. 18, no. 1, pp. 37–48, Dec. 2021.

B. I. and C. S. R. J. Gunawan, “PENGENALAN EKSPRESI WAJAH BERBASIS CONVOLUTIONAL NEURAL NETWORK DENGAN MODEL ARSI-TEKTUR VGG16 FACIAL EXPRESSION RECOGNITION BASED ON CONVOLUTIONAL NEURAL NETWORK WITH VGG16 ARCHITECTURE MODEL,” e-Proceeding of Engineering, vol. 8, no. 5, pp. 64–42, Oct. 2021.

S. Widaningsih, “PERBANDINGAN METODE DATA MINING UNTUK PREDIKSI NILAI DAN WAKTU KELU-LUSAN MAHASISWA PRODI TEKNIK INFORMATIKA DENGAN ALGORITMA C4,5, NAÏVE BAYES, KNN DAN SVM,” Jurnal Tekno Insentif, vol. 13, no. 1, pp. 16–25, Apr. 2019.

N. K. H. N. and S. H.-Z. R. Mastouri, “A bilinear convolutional neural network for lung nodules classification on CT images,” Int J Comput Assist Radiol Surg, vol. 16, no. 1, pp. 91–101, Jun. 2021.

A. Caliskan, “Classification of Tympanic Membrane Images based on VGG16 Model,” Kocaeli Journal of Science and Engineering, vol. 13, no. 2, pp. 67–98, Mar. 2022.

B. P. M. L. and T. W. W. Zhang, “Classification of COVID-19 X-ray Images Using a Combination of Deep and Handcrafted Features,” Electrical Engineering and Systems Science, vol. 2, no. 1, pp. 23–31, Jan. 2021.

S. Ahlawat and A. Choudhary, “Hybrid CNN-SVM Classifier for Handwritten Digit Recognition,” in Interna-tional Conference on Computational Intelligence and Data Science (ICCIDS 2019) , Maharaja Suramal, Ed., New Delhi: ScienceDirect, Apr. 2019, pp. 2554–2560.

Y. Peng et al, “CNN-SVM: A classification method for fruit fL image with the complex background,” IET Cyber-Physical Systems: Theory and Applications, vol. 5, no. 2, pp. 181–185, Jun. 2020.

M. A. Pangestu and H. Bunyamin, “Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre-Trained CNN Model,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 4, no. 2, pp. 337–344, Jun. 2018.

A. H. AD Putro, “Pengaruh Cahaya dan Kualitas dalam Klasifikasi Kematangan Pisang Cavendish Berdasarkan Ciri Warna Menggunakan Artificial Neural Network,” Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 21, no. 1, pp. 215–228, May 2021.

I. H. A. R. S. A. R. S. I. Najiah, “Deteksi Jenis dan Kematangan Pisang Menggunakan Metode Extreme Learning,” Journal Responsif, vol. 2, no. 2, pp. 232–242, Jun. 2020.

J. G. and H. Z. Y. Zhang, “Breeds Classification with Deep Convolutional Neural Network,” Association for Computing Machinery, vol. 17, no. 3, pp. 141–151, Feb. 2020.

N. T. S. N. B. and R. N. Augustien, “Aklimatisasi Plantlet Pisang Cavendish ( Musa TANAM Cavendish Banana ( Musa acuminata ),” Gontor AGROTECH Science Journal, vol. 5, no. 2, pp. 111–126, Dec. 2020.

Indarto and Murinto, “Deteksi Kematangan Buah Pisang Berdasarkan Fitur Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang Warna HIS,” ,” Journal JUITA J. Inform, vol. 5, no. 1, pp. 15–21, May 2017.

AD Putro, “Klasifikasi Tingkat Kematangan, Kualitas dan Jenis Buah Pisang Berdasarkan Ciri Warna dan Bentuk Menggunakan Artificial Neural Networks,” JTII-Jurnal Teknologi Informasi Indonesia, vol. 7, no. 2, Jan. 1AD.