Kombinasi Pretrained Model dan Random Forest Pada Klasifikasi Bakso Mengandung Boraks dan Non-Boraks Berbasis Citra
DOI:
https://doi.org/10.34148/teknika.v12i1.591Keywords:
Deep Learning, Klasifikasi Citra, Pretrained Model, Random Forest, BoraksAbstract
Makanan memainkan peran penting dalam kelangsungan hidup manusia. Salah satu makanan tradisional yang populer di Indonesia adalah bakso. Penggunaan Bahan Tambahan Makanan (BTM) dalam makanan, terutama makanan olahan, tidak dapat dihindari. Salah satu BTM yang sering digunakan adalah boraks. Penggunaan boraks dalam pembuatan bakso dapat menyebabkan efek samping kesehatan bagi konsumen. Oleh karena itu, penting untuk menentukan apakah suatu produk bakso mengandung borax atau tidak. Artikel ini bertujuan untuk mengusulkan pendekatan kombinasi model yang terdiri dari pretrained model sebagai fitur extractor dan Random Forest digunakan untuk mengklasifikasikan gambar bakso serta melakukan evaluasi terhadap model yang dibangun. Kombinasi parameter yang digunakan pada Random Forest menggunakan parameter terbaik dari tuning hyperparameter GridsearchCV. Hasil pengujian menunjukkan kombinasi pretrained model Xception dan Random Forest menghasilkan kinerja dengan akurasi sebesar 85%, presisi sebesar 87%, recall sebesar 83% dan F1-score sebesar 85%.
Downloads
References
S. Istiqomah, M. B. Sudarwanto, and E. Sudarnika, “Penambahan Boraks dalam Bakso dan Faktor Pendorong Penggunaannya Bagi Pedagang Bakso di Kota Bengkulu,” J. Sain Vet., vol. 34, no. 1, p. 1, 2017, doi: 10.22146/jsv.22806.
D. D. Saputra, H. Fitriyah, and E. Setiawan, “Sistem Klasifikasi Bakso yang Mengandung Boraks dengan Sensor Warna Menggunakan Metode K-Nearest Neighbor Berbasis Arduino,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 10, pp. 10294—10300, 2019, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/6663
I. B. Santoso, “Deteksi Boraks Pada Bakso Berbasis Image Dengan Menggunakan Gaussian Classifier,” Matics, vol. 7, no. 1, p. 27, 2015, doi: 10.18860/mat.v7i1.2873.
N. Fitrya, Shabri Putra Wirman, and Riri Gusfita, “Rancang Bangun Alat Pendeteksi Kontaminan Borak Pada Makanan Berbasis Android,” in Prosiding Saintek Semnas MIPAKes Umri, 2021, vol. 2, pp. 232—241. [Online]. Available: https://ejurnal.umri.ac.id/index.php/Semnasmipakes/article/view/2881/1604
D. G. Kusumafikri, A. Muid, and I. Sanubary, “Rancang Bangun Alat Pendeteksi Bakso Mengandung Boraks Menggunakan Sensor Resistansi,” Prism. Fis., vol. 7, no. 2, pp. 114—119, 2019, doi: 10.26418/pf.v7i2.34139.
A. Wahyudi, “Sistem Pendeteksi Boraks (Na2b4o7 10 H2o) Pada Bakso Daging Sapi Berdasarkan Image Dengan Menggunkan Metode Jaringan Saraf Tiruan LVQ (Learning Vector Quantization),” Universitas Islam Negeri Maulana Malik Ibrahim, 2016. [Online]. Available: http://etheses.uin-malang.ac.id/3820/1/12650114.pdf
M. Saputra, Kusrini, and M. P. Kurniawan, “Identifikasi Mutu Biji Kopi Arabika Berdasarkan Cacat Dengan Teknik Convolutional Neural Network,” Inspir. J. Teknol. Inf. dan Komun., vol. 10, no. 1, pp. 27—35, 2020.
A. Michael, “Komparasi Kombinasi Pre-trained Model dengan SVM pada Klasifikasi Kematangan Kopi Berbasis Citra,” J. Dyn. Saint, vol. 7, no. 1, pp. 42—48, 2022, doi: https://doi.org/10.47178/dynamicsaint.v7i1.
M. Elgendy, Deep Learning for Vision Systems. Manning Publications, 2019.
N. Wuryani and S. Agustiani, “Random Forest Classifier untuk Deteksi Penderita COVID-19 berbasis Citra CT Scan,” J. Tek. Komput. AMIK BSI, vol. 7, no. 2, pp. 187—193, 2021, doi: 10.31294/jtk.v4i2.
J. Media and I. Budidarma, “Klasifikasi Dialek Pengujar Bahasa Inggris Menggunakan Random,” J. Media Inform. Budidarma, vol. 5, no. April, pp. 439—446, 2021, doi: 10.30865/mib.v5i2.2754.
U. Khultsum and A. Subekti, “Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat,” J. Media Inform. Budidarma, vol. 5, no. 1, p. 186, 2021, doi: 10.30865/mib.v5i1.2624.
W. Nugraha and A. Sasongko, “Hyperparameter Tuning pada Algoritma Klasifikasi denganGrid Search,” Sist. J. Sist. Inf., vol. 11, no. 2, pp. 391—401, 2022.
H. Sastypratiwi, H. Muhardi, and M. Noveanto, “Klasifikasi Emosi Pada Lirik Lagu Menggunakan Algoritma Multiclass SVM dengan Tuning Hyperparameter PSO,” J. Media Inform. Budidarma, vol. 6, no. 4, pp. 2279—2286, 2022, doi: 10.30865/mib.v6i4.4609.
R. Ghawi and O. Access, “Eflcient Hyperparameter Tuning with Grid Search for Text Categorization using kNN Approach with BM25 Similarity,” Open Comput. Sci., vol. 9, no. 1, pp. 160—180, 2019, doi: https://doi.org/10.1515/comp-2019-0011.
T. Yan, S.-L. Shen, A. Zhou, and X.-S. Chen, “Prediction of geological characteristics from shield operational parameters using integrating grid search and K-fold cross validation into stacking classification algorithm,” J. Rock Mech. Geotech. Eng., vol. 14, no. 3, 2022, doi: 10.1016/j.jrmge.2022.03.002.
T. Yu and H. Zhu, “Hyper-Parameter Optimization : A Review of Algorithms,” 2020. doi: https://doi.org/10.48550/arXiv.2003.05689.
R. Darmawan, D. Purnomo, S. Nilawati, and Fery Perdiansyah, “Implementasi Algoritma Machine Learning untuk Pengembangan Model Prediktif atas Tingkat Non-Performing Loan dalam rangka Penjaminan Kredit UMKM Pemulihan Ekonomi Nasional,” in SENAKOTA - Seminar Nasional Ekonomi dan Akuntansi, 2021, vol. 1, no. 1, pp. 97—110. [Online]. Available: https://prosiding.senakota.nusaputra.ac.id/article/view/15
Y. BaÅŸtanlar and M. Ozuysal, Introduction to Machine Learning Second Edition, vol. 1107. 2014. doi: 10.1007/978-1-62703-748-8_7.
A. Tharwat, “Classification Assessment Methods,” Appl. Comput. Informatics, vol. 17, no. 1, pp. 168—192, 2018, doi: 10.1016/j.aci.2018.08.003.
