Professional Documents
Culture Documents
Teknik Informatika, Universitas Islam Negeri Sultan Syarif Kasim Riau, Jl. H. R. Soebrantas No.
155 KM 15 Kel. Simpang Baru Kec. Tampan Pekanbaru, Indonesia, 28293
e-mail: 111950111680@students.uin-suska.ac.id, 2jasril@uin-suska.ac.id, 3suwantosanjaya@uin-
suska.ac.id, 4lestari.handayani@uin-suska.ac.id, 5fadhilah.syafria@uin-suska.ac.id
Submitted Date: MMMM dd, yyyy Reviewed Date: MMMM dd, yyyy
Revised Date: MMMM dd, yyyy Accepted Date: MMMM dd, yyyy
Abstract
Every year, the demand for beef in Indonesia continues to experience a significant increase. The
increasing demand for beef is often used by traders to get more profit by mixing beef and pork (mixed).
Manually differentiating beef, pork and meat mix using smell and sight is very difficult. To help
distinguish the meat can use technology, namely image processing. The method used in this research is
image processing using Convolutional Neural Network (CNN) with EfficirntNet-B2 architecture to
perform classification. In this study, the image data augmentation process was also carried out to increase
the number of images with the aim of increasing accuracy. The number of original meat images of 900
has increased after the augmentation process, to 9000 images which include beef, pork, and mixtures. The
dataset is divided into two, namely the training and testing dataset with a ratio of 80:20 and 90:10. The
results of the highest classification accuracy in this study were 98,22%, accuracy, 98,25% precision,
98,22% recall, and 98,22% f1-score using image augmentation dataset with a combination of Adamax
optimizer, Swish activation, and learning rate 0.1 by using a data comparison ratio of 90:10.
Abstrak
Permintaan daging sapi Indonesia meningkat secara signifikan setiap tahun. Meningkatnya
kebutuhan daging sapi ini sering dimanfaatkan oleh pedagang untuk mendapatkan untung lebih dengan
cara mencampurkan daging sapi dan babi (oplosan). Membedakan daging sapi, babi, dan oplosan secara
manual menggunakan penciuman dan penglihatan manusia sangatlah sulit. Untuk membantu
membedakan daging tersebut dapat menggunakan teknologi yaitu pengolahan citra. Penelitian ini
menggunakan Convolutional Neural Network (CNN) berarsitektur EfficientNet-B2 untuk pengolahan citra
dan klasifikasi. Pada penelitian ini juga dilakukan proses augmentasi data citra untuk memperbanyak citra
dengan tujuan meningkatkan akurasi. Jumlah citra asli daging sebanyak 900 telah mengalami peningkatan
setelah dilakukan proses augmentasi, menjadi 9000 citra yang mencakup daging sapi, babi, dan oplosan.
Dataset dibagi menjadi dua bagian, yaitu dataset pelatihan dan testing, dengan rasio perbandingan 80:20
dan 90:10. Dengan menggunakan dataset citra augmentasi dengan kombinasi optimizer Adamax,
activation Swish, dan learning rate 0.1, penelitian ini menghasilkan akurasi klasifikasi tertinggi, yaitu
98,22% accuracy, 98,25% precision, 98,22% recall, 98,22% f1-score, dengan rasio perbandingan data
90:10.
http://openjournal.unpam.ac.id/index.php/informatika 1
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
permintaan daging sapi meningkat dari 669.732 Jabbar Alhatemi dan Serkan Savas (Alhatemi &
ton menjadi 706.388 ton.. Savaş, 2022). Begitupun dengan penelitian
Dengan meningkatnya permintaan daging mendeteksi glukoma yang juga menggunakan
sapi, pedagang menggunakan campuran daging EfficientNet-B2 (Hidayat & Al Maki, 2022).
babi dan daging sapi untuk menghasilkan lebih Penelitian tersebut juga menggunakan proses
banyak keuntungan (Iswinarno, 2020)(Lova, augmentasi dan hyperparameter. Melalui proses
2020). Menggabungkan daging sapi dan daging augmentasi, akurasi pada data latih dapat
babi ini dapat merugikan pembeli, terutama ditingkatkan dan data data tambahan dapat
mereka yang beragama Muslim. Sebab, dalam Al- diperoleh. Hal ini terbukti dalam penelitian yang
Qur'an (surah Al-Baqarah ayat 173) dijelaskan dilakukan oleh (Lasniari et al., 2022), dimana
bahwa daging babi diharamkan bagi umat jumlah dataset citra daging original awalnya
Muslim. Ada banyak dampak negatif yang akan terdiri dari 457 citra, namun setelah melalui proses
didapatkan jika memekan makanan haram, seperti augmentasi, jumlahnya meningkat menjadi 2742
tidak dikabulkannya doa, amalan tidak diterima, citra.
membawa ke neraka, berkurangnya iman di hati, Bidang Artificial Intelligence banyak
dan rusaknya keturunan (Ekawati, 2021). digunakan untuk berbagai penelitian. Penelitian
Sangat sulit untuk membedakan daging yang menggunakan Machine Learning telah
sapi, babi, dan oplosan secara manual banyak digunakan sebelumnya. Salah satu
menggunakan penglihatan dan penciuman contohnya adalah penelitian yang dilakukan pada
manusia. Untuk membantu dalam membedakan tahun 2016 oleh Nurul Lihayati, Ratri Enggar
daging sapi, babi, dan oplosan maka dibutuhkan Pawening, dan Muhammad Furqan, yang
ketelitian dan alat bantu berupa sebuah teknologi. melakukan klasifikasi jenis daging berdasarkan
Salah satu teknologi yang dapat dimanfaatkan tekstur dengan menggunakan metode coocurent
pada masa sekarang ini yaitu pengolahan citra. matrix k-NN tingkat grayscale yang mencapai
Sudah ada penggunaan pengolahan citra untuk akurasi 73,3% (Lihayati et al., 2016). Hasil
membedakan daging sapi, daging babi, dan daging akurasi menggunakan Machine Learning belum
oplosan.. mencapai angka yang maksimal. Dewasa ini
Penelitian tentang penggunaan pengolahan terdapat metode baru yaitu Deep Learning yang
citra untuk membedakan daging sapi dan daging menunjukkan akurasi lebih maksimal. Beberapa
babi telah dilakukan, termasuk melakukan penelitian telah dilakukan dalam membandingkan
preprocessing, segmentasi warna, ekstraksi, dan metode Machine Learning dan Deep Learning.
klasifikasi menggunakan algoritma Learning Penelitian (Amriza & Supriyadi, 2021)
Vector Quantization (LVQ) (Sudibyo et al., 2018) menunjukkan bahwa metode Deep Learning
serta penelitian (Jasril & Sanjaya, 2018) yang memiliki performa yang lebih baik dan lebih stabil
menggunakan Learning Vector Quantization 3 dibandingkan dengan metode Machine Learning.
(LVQ3) dan Spatial Fuzzy C-Means (SFCM). Hasil penelitian (Amriza & Supriyadi, 2021) yang
Begitu juga (Lasniari et al., 2022) dilakukan, Convolutional Neural Network (CNN)
mengklasifikasikan citra daging sapi dan daging memiliki tingkat keakuratan klasifikasi emosi
babi dengan menerapkan Deep Learning tertinggi pada dataset semeval dengan akurasi
menggunakan metode Convolutional Neural 81,64%, lebih baik dibandingkan Random Forest,
Network (CNN) arsitektur ResNet-50. Peter Naïve Bayes, Logistic Regression, Gradient
Winardi dan Endang Setyati juga juga melakukan Boosting, dan SVM.
penelitian dengan ekstraksi warna dan deteksi tepi Penelitian menggunakan Deep Learning
menggunakan Convolutional Neural Network lainnya juga menunjukan akurasi yang cukup
(CNN) dilakukan dalam 2 bagian sistem arsitektur tinggi. Penelitian identifikasi kemurnian daging
dengan training dan validation beserta testing menggunakan Convolutional Neural Network
(Winardi & Setyati, 2021). (CNN) yang dapat dioperasikan di android dengan
Convolutional Neural Network (CNN) proses ekstraksi citra dan klasifikasi mendapatkan
dengan arsitektur EfficientNet-B2 akan digunakan akurasi 94% untuk deteksi daging sapi, daging
dalam penelitian ini.. Alasan menggunakan babi, dan daging oplosan, precision masing-
arsitektur EfficientNet-B2 dikarenakan sudah masing 100%, 90%, dan 95% serta recall masing-
banyak penelitian yang menggunakan masing 85%, 95%, dan 97,5% (Yulianti et al.,
EfficientNet-B2 dan mendapatkan akurasi yang 2021). Penelitian Handayani, dkk melakukan
tinggi serta mengungguli metode lainnya seperti klasifikasi citra tekstur dan warna daging babi dan
pada penelitian yang dilakukan oleh Rusul Ali daging sapi menggunakan Probabilistik Neural
http://openjournal.unpam.ac.id/index.php/informatika 2
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
Network (PNN) (Handayani et al., 2017). Selain Penelitian ini bertujuan untuk mengukur
itu, Pulung Adi Nugroho, dkk juga pernah akurasi tertinggi dari hasil ekperimen klasifikasi
melakukan penelitian menggunakan daging sapi, daging babi, dan daging oplosan
Convolutional Neural Network (CNN) pada menggunakan Convolutional Neural Network
ekspresi manusia, accuracy training yang didapat (CNN) dengan arsitektur EffecientNet-B2 dan
sebesar 90% dan validation sebesar 65% membandingkan apakah proses augmentasi data
(Nugroho et al., 2020). Begitu pula pada pada penelitian ini dapat meningkatkan akurasi.
penelitian (Pangkasidhi, A. K., Palit, H. N., &
Tjondrowiguno, 2021) menggunakan 2. Metode Penelitian
Convolutional Neural Network (CNN) dengan Tahapan penelitian yang dilakukan dapat
arsitektur EfficientNet-B0, EfficientNet-B1, dan dilihat pada Gambar 1.
EfficentNet-B2 yang mendapatkan akurasi 96%,
serta f1-score, recall, precision, specificity diatas
95% dalam diagnosis COVID-19 yang
menganalisis hasil X-Ray paru-paru.
Penelitian yang dilakukan oleh Gusrifaris
Yuda Alhafis, dkk menggunakan Convolutional
Neural Network (CNN) untuk mengklasifikasikan
citra daging sapi dan daging babi. Jumlah data
sebanyak 3.000 gambar dibagi menjadi tiga
kategori: daging sapi, daging babi, dan daging
oplosan. Rasio data latih dan uji adalah 80:20
(Yuda Alhafis et al., 2022). Hasil penelitian (Yuda
Alhafis et al., 2022) menunjukkan performa
klasifikasi tertinggi dengan 95,15% accuracy,
92,72% precision, 95,5% recall, dan 94,09 f1-
score. Selain itu, klasifikasi citra daging sapi dan
daging babi menggunakan Convolutional Neural
Network (CNN) arsitektur ResNet-50 juga
dilakukan dengan optimizer SGD mendapat
akurasi sebesar 97,83%, precision 97%, recall
97%, dan f1-score 97% dengan kondisi batch size
Gambar 1. Tahapan Penelitian
32, learning rate 0.01, dan epoch 50 (Efendi et al.,
2022).
2.1 Pengumpulan Data
Beberapa penelitian Menggunakan
Pada tahap awal, data dikumpulkan melalui
Convolutional Neural Network (CNN) dengan
pengambilan sampel daging sapi dan babi yang
arsitektur EfficientNet-B2 sudah dilakukan
dibeli di Pasar Bawah Kota Pekanbaru, Provinsi
Suhardi Aras, dkk melakukan klasifikasi motif
Riau. Data primer yang digunakan dalam
batik Papua menggunakan EfficientNet-B2 dan
penelitian ini berasal dari foto daging sapi, daging
Transfer Learning mendapatkan akurasi sebesar
babi, dan daging oplosan. Setelah mendapatkan
72% dengan fine tuning dan ditambahkan teknik
daging tersebut, dilakukan pengambilan citra
augmentasi data mendapat akurasi 90%
menggunakan kamera handphone Redmi Note 8
menggunakan ColorJitter dan Contrast (Aras et
Pro dengan resolusi 64MP, Vivo V20 dengan
al., 2022). Penelitian (Alhatemi & Savaş, 2022)
resolusi 64MP, dan Redmi Note 10 Pro dengan
melakukan Transfer Learning-Based
resolusi 108MP. Terdapat 900 citra daging selama
perbandingan klasifikasi stroke menggunakan
pengumpulan data, yang dibagi menjadi 300 citra
beberapa model arsitektur, dataset studi terdiri
daging sapi, 300 citra daging babi, dan 300 citra
dari 1901 citra latih, 472 citra validasi, dan 250
daging oplosan..
citra uji. Akurasi dari keseluruhan model terbaik
adalah 98.8% dan nilai yang sama untuk
2.2 Preprocessing
precision, recall, dan f1-score. Pada penelitian
Setelah pengambilan citra daging, langkah
(Alhatemi & Savaş, 2022) menyebutkan arsitektur
selanjutnya adalah tahap preprocessing. Tahap ini
EfficientNet-B2 lebih unggul dibandingkan dengan
bertujuan untuk mengambil informasi dari citra
arsitektur lainnya (DenseNet121, ResNet-50,
dan memperbaiki citra agar lebih sesuai untuk
Xception, MobileNet, dan VGG16).
http://openjournal.unpam.ac.id/index.php/informatika 3
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
a. Cropping
Metode cropping digunakan untuk
menghilangkan unsur-unsur yang tidak diinginkan Gambar 4. Citra Augmentasi Vertical flip
atau berisikan noise pada citra daging. Bagian
yang tidak dibutuhkan ini dapat mengganggu 2.3 Pembagian Data
proses ekstraksi informasi dari citra. Proses Setelah proses augmentasi citra selesai, data
crooping dilakukan secara manual menggunakan dibagi menjadi tiga kategori: data latih, data
aplikasi di handphone. Contoh citra setelah di validasi, dan data uji.. Dalam penelitian ini,
crooping dapat dilihat pada Gambar 2. digunakan dua rasio pembagian data, yaitu 80:20
dan 90:10. Tabel 1 dan Tabel 2 menyajikan
pembagian jumlah data yang terjadi dalam
penelitian ini.
http://openjournal.unpam.ac.id/index.php/informatika 4
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
Dalam penelitian ini, metode Deep pada CNN yaitu arsitektur EfficientNet-B2.
Learning CNN digunakan, yang memiliki Berikut ini adalah arsitektur EfficientNet-B2
keunggulan dalam pengolahan data citra yang digunakan pada penelitian ini dapat
gambar ataupun video. Pada penelitian ini dilihat pada Gambar 5.
akan menggunakan salah satu arsitektur
http://openjournal.unpam.ac.id/index.php/informatika 5
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
da
R m
0 A 0 ax
da u : kyR
0.0
m g 2 eLu R
1
A 0 A
da da
8 m m
0.1
A 0 Lea ax A
s : kyR da
0.0
li 2 eLu R 9 m
1 0.1
0 A A 0 Lea ax
da u : kyR
0.0
m g 1 eLu R
1
A 0 A
da da
9 m m
0.1
A 0 Lea ax A
s : kyR da
0.0
li 1 eLu R 8 m
1 0.1
0 A A 0 ax
Swi
da u :
0.0 sh
m g 2 R
1
A 0 A
da da
8 m m
0.1
A 0 ax A
Swi
s : da
0.0 sh
li 2 R 9 m
1 0.1
0 A A 0 ax
Swi
da u :
0.0 sh
m g 1 R
1
A 0 A
da da
9 m m
0.1
A 0 ax Dalam penelitian ini, eksperimen dilakukan
Swi
s : menggunakan platform Google Colab dengan
0.0 sh
li 1 R menggunakan bahasa pemrograman Python.
1
0 A Setiap eksperimen pada penelitian ini
da
memanfaatkan library tensorflow, numpy, pandas,
m
matplotlib, dan efficientnet. Eksperimen dengan
A
da Google Colab dijalankan menggunakan runtime
8 m dengan Tensor Processing Unit (TPU) dan
0.1 Graphics Processing Unit (GPU). Hardware yang
A 0 ax
ReL digunakan memiliki spesifikasi processor AMD
u :
0.0 u
g 2 R Ryzen 7 4800H (16CPUs)~2.9GHz, memori RAM
1
0 A 16GB, dan GPU Nvidia GeForce GTX 1650 Ti.
da
m 3.1 Pelatihan
A Nilai akurasi pada tahap pelatihan dengan
da rasio pembagian data 80:20 dapat dilihat pada
9 m
0.1 Tabel 4. Pada Tabel 4 dapat dilihat bahwa hasil
A 0 ax
ReL pelatihan klasifikasi yang dilakukan dengan
u :
0.0 u EfficientNet-B2 dengan rasio 80:20 mendapat
g 1 R
1 akurasi pelatihan tertinggi untuk dataset citra asli
0 A
da pada eksperimen ke-2. Sementara pada dataset
m citra yang telah mengalami proses augmentasi,
A 8 0.1 Lea A eksperimen ke-16 menghasilkan akurasi pelatihan
http://openjournal.unpam.ac.id/index.php/informatika 6
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
http://openjournal.unpam.ac.id/index.php/informatika 7
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
http://openjournal.unpam.ac.id/index.php/informatika 8
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
http://openjournal.unpam.ac.id/index.php/informatika 9
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
http://openjournal.unpam.ac.id/index.php/informatika 10
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
Optimize Learnin Hidden Accurac Precisio F1- Presisi
No Dataset Recall
r g Rate Activation y n Score Sapi
1 Adamax 0.1 ReLu 95,83% 95,93% 95,83% 95,83% 93,02%
2 Adamax 0.01 ReLu 95,83% 95,97% 95,83% 95,84% 91,89%
3 Adamax 0.1 LeakyReLu 94,72% 94,91% 94,72% 94,71% 91,61%
4 Adamax 0.01 LeakyReLu 94,89% 95,05% 94,89% 94,90% 90,56%
5 Adamax 0.1 Swish 95,56% 95,79% 95,56% 95,57% 92,93%
6 Augmentasi Adamax 0.01 Swish 95,39% 95,63% 95,39% 95,39% 90,69%
7 80:20 RAdam 0.1 ReLu 93,50% 93,63% 93,50% 93,52% 90,28%
8 RAdam 0.01 ReLu 94,89% 95,09% 94,89% 94,89% 90,45%
9 RAdam 0.1 LeakyReLu 92,78% 93,28% 92,78% 92,74% 87,24%
10 RAdam 0.01 LeakyReLu 95,44% 95,53% 95,44% 95,45% 92,39%
11 RAdam 0.1 Swish 95,11% 95,15% 95,11% 95,11% 93,26%
96,12 92,60%
12 RAdam 0.01 Swish 96,11% 96,22% 96,11%
%
13 Adamax 0.1 ReLu 92,22% 92,25% 92,22% 92,22% 100,00%
95,54 100,00%
14 Adamax 0.01 ReLu 95,56% 96,08% 95,56%
%
15 Adamax 0.1 Swish 94,44% 94,73% 94,44% 94,43% 100,00%
Asli
16 RAdam 0.1 ReLu 90,00% 90,50% 90,00% 90,04% 96,55%
90:10
17 RAdam 0.01 ReLu 90,00% 92,31% 90,00% 90,24% 100,00%
18 RAdam 0.1 LeakyReLu 93,33% 93,81% 93,33% 93,33% 93,55%
19 RAdam 0.01 LeakyReLu 93,33% 93,88% 93,33% 93,25% 93,75%
20 RAdam 0.01 Swish 94,44% 94,88% 94,44% 94,43% 96,77%
21 Adamax 0.1 ReLu 97,11% 97,15% 97,11% 97,11% 96,70%
22 Adamax 0.01 ReLu 97,78% 97,79% 97,78% 97,78% 96,73%
23 Adamax 0.1 LeakyReLu 97,44% 97,46% 97,44% 97,45% 95,75%
24 Adamax 0.01 LeakyReLu 97,67% 97,69% 97,67% 97,67% 96,10%
98,22 96,45%
25 Adamax 0.1 Swish 98,22% 98,25% 98,22%
%
Augmentasi
26 Adamax 0.01 Swish 97,89% 97,91% 97,89% 97,89% 96,74%
90:10
27 RAdam 0.1 ReLu 96,78% 96,81% 96,78% 96,79% 95,13%
28 RAdam 0.01 ReLu 97,22% 97,24% 97,22% 97,22% 96,09%
29 RAdam 0.1 LeakyReLu 96,22% 96,23% 96,22% 96,22% 95,68%
30 RAdam 0.01 LeakyReLu 97,44% 97,45% 97,44% 97,44% 97,65%
31 RAdam 0.1 Swish 97,11% 97,16% 97,11% 97,11% 95,18%
32 RAdam 0.01 Swish 97,89% 97,91% 97,89% 97,89% 97,06%
http://openjournal.unpam.ac.id/index.php/informatika 11
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
Sedangkan untuk hasil dataset citra dan Swish) dan learning rate (0.1 dan 0.01).
augmentasi mendapat akurasi tertinggi pada Pengujian pada model yang tela dilatih dilakukan
eksperimen ke-25 dengan 98,22% accuracy, dengan pengukuran accuracy, precision, recall,
98,25% precision, 98,22% recall, dan 98,22% f1- dan f1-score. Model yang di uji adalah model
score menggunakan optimizer Adamax, activation yang hasil akurasi validasi dari pelatihannya lebih
Swish, dan learning rate 0.1. Pada model ini, dari 70%. Berdasarkan hasil penelitian yang telah
presisi sapi sebesar 96,45% dengan daging dilakukan didapat hasil akurasi tertinggi dengan
oplosan yang terprediksi daging sapi sebanyak 33 rasio bagi 80:20 sebesar 96,11% accuracy
citra dan daging babi yang terprediksi daging sapi menggunakan dataset citra augmentasi sedangkan
sebanyak 11 citra. Confusion matrix dari model menggunakan dataset citra asli tidak ada model
tersebut dapat dilihat pada Gambar 13. dengan hasil akurasi validasi penelitiannya diatas
Nilai presisi sapi tertinggi pada rasio 70%. Hasil penelitian yang dilakukan dengan rasio
pembagian data 90:10 mencapai 100% bagi 90:10 didapat akurasi tertinggi menggunakan
menggunakan dataset citra asli pada eksperimen dataset citra asli dengan optimizer Adamax,
ke-13, eksperimen ke-14, eksperimen ke-15, dan activation function ReLu, dan learning rate 0.01
eksperimen ke-17. Confusion matrix dari model dengan accuracy 95,56% dan presisi sapi 100%,
tersebut dapat dilihat pada Gambar 12 dan sedangkan akurasi tertinggi menggunakan dataset
Gambar 14. citra augmentasi dengan optimizer Adamax,
activation function Swish, dan learning rate 0.1
dengan nilai sebesar 98,22% accuracy dan presisi
sapi 96,45%. Rata-rata akurasi terbaik pada
penelitian ini menggunakan dataset augmentasi
sedangkan untuk presisi sapi terbaik
menggunakan dataset augmentasi dengan rasio
data 90:10. Dapat disimpulkan rasio pembagian
data 90:10 memiliki kinerja yang lebih baik
dibandingkan dengan rasio pembagian data 80:20
dan penggunaan metode augmentasi citra pada
penelitan ini sangat berpengaruh dan dapat
meningkatkan akurasi validasi serta akurasi
klasifikasi. Untuk penelitian selanjutnya,
direkomendasikan menggunakan data citra dalam
jumlah yang lebih banyak untuk meningkatkan
Gambar 14. Confusion Matrix Eksperimen ke-3 akurasi, karena jumlah data berpengaruh cukup
signifikan pada penelitian ini.
Gambar 14 merupakan confusion matrix
dari eksperimen ke-3 dari rasio pembagian data Daftar Pustaka
90:10 dan dataset citra asli dengan optimizer Alhatemi, R. A. J., & Savaş, S. (2022). Journal of
Adamax, activation Swish, dan learning rate 0.1. Computer Science. Journal of Computer
Science, IDAP-2022, 192–201.
4. Kesimpulan https://doi.org/10.53070/bbd.1172807
Dalam penelitian ini, dilakukan klasifikasi Amriza, R. N. S., & Supriyadi, D. (2021).
citra daging sapi, daging babi, dan daging oplosan Komparasi Metode Machine Learning dan
menggunakan Convolutional Neural Network Deep Learning untuk Deteksi Emosi pada
(CNN) arsitektur EfficientNet-B2. Citra daging Text di Sosial Media. Jurnal JUPITER,
diperoleh dengan cara mengambil sampel daging 13(2), 130–139.
di Pasar Bawah dengan jumlah keseluruhan 900 Aras, S., Setyanto, A., & Makassar, U. D. (2022).
citra asli. Augmentasi dilakukan pada penelitian Deep Learning Untuk Klasifikasi Motif
ini dengan teknik horizontal flip, vertical flip, Batik Papua Menggunakan EfficientNet dan
rotation, dan brightness shift sehingga data Trasnfer Learning. Insect, 8(1), 11–20.
menjadi 9000 citra. Data citra dibagi menjadi data Azmi, N. (2021). Manfaat Daging Sapi, Daging
latih dan data uji dengan rasio pembagian data Merah yang Kaya akan Protein.
80:20 dan 90:10. Hyperparameter Optimization Www.Hellosehat.Com.
yang digunakan yaitu optimizer (Adamax dan https://hellosehat.com/nutrisi/fakta-gizi/manf
RAdam), activation function (ReLu, LeakyReLu, aat-daging-sapi/
http://openjournal.unpam.ac.id/index.php/informatika 12
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
Efendi, D., Jasril, J., Sanjaya, S., Syafria, F., & Lihayati, N., Pawening, R. E., & Furqan, M.
Budianita, E. (2022). Penerapan Algoritma (2016). Klasifikasi Jenis Daging
Convolutional Neural Network Arsitektur Berdasarkan Tekstur Menggunakan Metode
ResNet-50 untuk Klasifikasi Citra Daging Gray Level Coocurent Matrix. Prosiding
Sapi dan Babi. Jurnal Riset Komputer, 9(3), SENTIA, 8(1994), 305–310.
2407–389. Lova, C. (2020). Heboh Daging Babi Serupa
https://doi.org/10.30865/jurikom.v9i3.4176 Daging Sapi di Bandung, Walkot Bekasi
Ekawati, D. (2021). Akibat Memakan Makanan Minta Anak Buahnya Awasi Pedagang.
Haram. Www.Rumahzakat.Com. Www.Kompas.Com.
https://www.rumahzakat.org/id/akibat- https://megapolitan.kompas.com/read/2020/0
memakan-makanan-haram# 5/14/10344831/heboh-daging-babi-serupa-
Habibi Aghdam, H., Jahani Heravi, E., & AG, S. daging-sapi-di-bandung-walkot-bekasi-
I. P. (2018). Guide to Convolutional Neural minta-anak
Networks A Practical Application to Traffic- Nugroho, P. A., Fenriana, I., & Arijanto, R.
Sign Detection and Classification. (2020). Implementasi Deep Learning
Handayani, L., Jasril, Budianita, E., Oktista, W., Menggunakan Convolutional Neural
Hadi, R., Fattah, D., Yendra, R., & Fudholi, Network ( Cnn ) Pada Ekspresi Manusia.
A. (2017). Comparison of target Algor, 2(1), 12–21.
Probabilistic Neural network (PNN) Pangkasidhi, A. K., Palit, H. N., &
classification for beef and pork. Journal of Tjondrowiguno, A. N. (2021). Aplikasi
Theoretical and Applied Information Pendukung Diagnosis COVID-19 Yang
Technology, 95(12), 2753–2760. Menganalisis Hasil X-Ray Paru-Paru
Hidayat, D., & Al Maki, W. F. (2022). Deteksi Dengan Model EfficientNet. Jurnal Infra,
Glaukoma Menggunakan Metode 9(2)(031), 1–6.
Convolutional Neural Network dan Grabcut Sudibyo, U., Kusumaningrum, D. P.,
Segmentation. 9(3), 1855–1861. Rachmawanto, E. H., & Sari, C. A. (2018).
Iim Fathimah Timorria. (2022). Kebutuhan Impor Optimasi Algoritma Learning Vector
Daging Sapi 2022 Capai 266.000 Ton. Quantization (Lvq) Dalam Pengklasifikasian
Ekonomi Bisnis.Com. Citra Daging Sapi Dan Daging Babi Berbasis
https://ekonomi.bisnis.com/read/20220113/1 Glcm Dan Hsv. Simetris: Jurnal Teknik
2/1488730/kebutuhan-impor-daging-sapi- Mesin, Elektro Dan Ilmu Komputer, 9(1), 1–
2022-capai-266000-ton 10. https://doi.org/10.24176/simet.v9i1.1943
Iswinarno, C. (2020). Waduh! Oplosan Daging Winardi, P., & Setyati, E. (2021). Identifikasi
Babi untuk Bakso dan Rendang Beredar di Jenis Daging dengan Menggunakan
Jawa Barat. Www.Suarajabar.Id. Algoritma Convolution Neural Network.
https://jabar.suara.com/read/2020/06/30/162 Journal of Information System,Graphics,
156/waduh-oplosan-daging-babi-untuk- Hospitality and Technology, 3(02), 82–88.
bakso-dan-rendang-beredar-di-jawa-barat https://doi.org/10.37823/insight.v3i02.178
Jasril, J., & Sanjaya, S. (2018). Learning Vector Yuda Alhafis, G., Jasril, J., Sanjaya, S., Syafria,
Quantization 3 (LVQ3) and Spatial Fuzzy C- F., & Budianita, E. (2022). Klasifikasi Citra
Means (SFCM) for Beef and Pork Image Daging Sapi dan Daging Babi Menggunakan
Classification. Indonesian Journal of Ekstraksi Ciri dan Convolutional Neural
Artificial Intelligence and Data Mining, 1(2), Network. Jurnal Riset Komputer), 9(3),
60. 2407–389.
https://doi.org/10.24014/ijaidm.v1i2.5024 https://doi.org/10.30865/jurikom.v9i3.4175
Lasniari, S., Jasril, J., Sanjaya, S., Yanto, F., & Yulianti, N. S., Boro Seminar, K., Hermanianto,
Affandes, M. (2022). Klasifikasi Citra J., & Wahjuni, S. (2021). Identifikasi
Daging Babi dan Daging Sapi Menggunakan Kemurnian Daging Berbasis Analisis Citra
Deep Learning Arsitektur ResNet-50 dengan Identification Of Meat Purity Based On
Augmentasi Citra. Jurnal Sistem Komputer Image Analysis. Jurnal Teknologi Informasi
Dan Informatika (JSON), 3(4), 450. Dan Ilmu Komputer, 8(4), 643–650.
https://doi.org/10.30865/json.v3i4.4167 https://doi.org/10.25126/jtiik.202183307
http://openjournal.unpam.ac.id/index.php/informatika 13
Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Vol. AA, No. B, Zzzzzzzzzzzzzz YYYY (pp-pp) e-ISSN: 2622-4615
http://openjournal.unpam.ac.id/index.php/informatika 14