Identifikasi Daging Sapi, Daging Kerbau, Daging Kambing dan Daging Babi Hutan Mengunakan Digital Microscope Pre-Trained (Rest-Net 50 & Alexnet) Convolution Neural Network.

Aswari, Andik Zaki and Prof.Yusuf Hendrawan,, STP., M.App.Life.Sc.PhD and Dr. Yusuf Wibisono,, STP,M.Sc. (2022) Identifikasi Daging Sapi, Daging Kerbau, Daging Kambing dan Daging Babi Hutan Mengunakan Digital Microscope Pre-Trained (Rest-Net 50 & Alexnet) Convolution Neural Network. Sarjana thesis, Universitas Brawijaya.

Abstract

Daging merupakan makanan yang kaya akan protein hewani. Kebutuhan daging di Indonesia sangat banyak dan terus meningkat setiap tahunnya. Daging terdiri dari protein, asam amino, air mineral, lemak, asam lemak komponen bioaktif, serta sedikit karbohidrat dan vitamin lainya. Pencampuran daging di pasaran biasanya melibatkan jenis daging dari dua hewan yakni antara daging halal yang mahal dengan daging murah non halal. Pencampuran daging dilakukan antara daging sapi dan babi hutan sering dilakukan oleh penjual daging hanya untuk mendapatkan keuntungan tambahan karena daging babi hutan lebih murah dari pada daging sapi. Penipuan daging pada dasarnya dilakukan oleh produsen atau penjual daging yang tidak jujur untuk meningkatkan keuntungan penjualan. Convolutional neural network atau di kenal sebutan convNets merupakan metode untuk memproses suatu data dalam bentuk beberapa array, seperti contohnya yaitu gambar berwarna yang terdiri, dari tiga array 2D yang menggandung intensitas piksel dalam tiga warna. Tujaun penelitian ini digunakan untuk mengidentifikasi daging sapi, kerbau babi hutan dan daging kambing dengan metode Convolutional Neural Network. Variasi sampel yang digunakan 500 data pengujian (validasi-testing) dan 50 data pelatihan (training) dari masing-masing jenis sampel daging yang dibagi dua set testing-validasi dan training. Pengambilan sampel menggunakan Digital Microscope dengan ukuran zoom yang sesuai. Arsitektur modifikasi menggunakan convolutional layer, pooling layer dan full layer yang di kombinasikan Pengamatan ini bertujuan untuk membedakan warna dan tektur dari daging sapi, daging kerbau, daging babi hutan dan daging kambing. Penelitian ini menggunakan 2 pretrained arsitektur yakni Alexnet dan ResNet-50 dengan epoch 30 mini batch size 20 variasi learning rate sebesar 0.0001 dan 0.0005 menggunakan optimizer Adam, RmsProp dan Sgdm untuk mrngklasifikasikan daging kerbau, daging sapi, daging kambing dan daging babi hutan mrndapatkan pemodelan 100%. Resnet50 pada optimizer rmsprop 0.0001 mendapatkan akurasi data uji sebesar 55.22% dan pada optimizer Sgdm learning rate mendapatkan hasil uji sebesar 51.37%. akan tetapi dalam data akurasi uji hasil terbaik di dapat disimpulkan dalam penelitian ini menggunakan digital microscope Alexnet pada optimizer Rmsprop learning rate 0.0001 memiliki uji sebesar 52,6% terbaik karena memiliki nilai terbesar. Sedangkan pada Resnet50 nilai terbesar learning rate 0.0001 yakni optimizer didapatkan Rmsprop sebesar 55.22% dan learning 0.0005 tertinggi pada Optimizer Sgdm sebesar 51.37 %.

English Abstract

Meat is a food rich in animal protein. The need for meat in Indonesia is very large and continues to increase every year. Meat consists of protein, amino acids, mineral water, fat, fatty acids, bioactive components, and a small amount of carbohydrates and other vitamins. Mixing meat in the market usually involves the type of meat from two animals, namely between expensive halal meat and cheap non-halal meat. Mixing of meat between beef and wild boar is often done by butchers just to get extra profit because wild boar meat is cheaper than beef. Meat scams are basically carried out by dishonest meat producers or sellers to increase sales profits. Convolutional neural network or known as convNets is a method for processing data in the form of several arrays, such as a color image consisting of three 2D arrays containing pixel intensities in three colors. The purpose of this study was to identify beef, buffalo, wild boar and goat meat using the Convolutional Neural Network method. The variation of the sample used was 500 test data (validation-testing) and 50 training data from each type of meat sample which was divided into two sets of testing-validation and training. Sampling using a Digital Microscope with the appropriate zoom size. The modified architecture uses a combined convolutional layer, pooling layer and full layer. This observation aims to distinguish the color and texture of beef, buffalo meat, wild boar meat and goat meat. This study uses 2 pretrained architectures, namely Alexnet and ResNet-50 with epochs of 30 mini batch size 20, learning rate variations of 0.0001 and 0.0005 using the Adam, RmsProp and Sgdm optimizers to classify buffalo meat, beef, mutton and wild boar meat. %. Resnet50 on the optimizer rmsprop 0.0001 get test data accuracy of 55.22% and on the optimizer Sgdm learning rate get test results of 51.37%. However, in terms of accuracy, the best results can be concluded that in this study using a digital microscope Alexnet at the Rmsprop learning rate optimizer 0.0001 has the best test of 52.6% because it has the largest value. While in Resnet50 the largest value of learning rate is 0.0001, namely the optimizer, Rmsprop is 55.22% and the highest learning rate is 0.0005 in the Sgdm Optimizer, at 51.37%.

Item Type:	Thesis (Sarjana)
Identification Number:	0522100207
Uncontrolled Keywords:	Daging Sapi, Daging Babi hutan, Convolutional Neural Network, Halal food.,Beef, Wild Boar Meat, Convolutional Neural Network, Halal food.
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	soegeng sugeng
Date Deposited:	02 Nov 2022 08:07
Last Modified:	02 Nov 2022 08:07
URI:	http://repository.ub.ac.id/id/eprint/196051

Text (DALAM MASA EMBARGO) Andik Zaki Aswari.pdf Restricted to Registered users only until 31 December 2024. Download (6MB)

Actions (login required)

View Item