Perbandingan Arsitektur XCeption dan GoogLeNet Sebagai Detektor Dosis Enzim Protease Serin untuk Mendegradasi Limbah Bulu Walet

Arifiandika, Rizal and Dr.Eng. Akhmad Adi Sulianto,, STP., M.Eng and Fajri Anugroho,, STP., M.Agr., Ph.D (2022) Perbandingan Arsitektur XCeption dan GoogLeNet Sebagai Detektor Dosis Enzim Protease Serin untuk Mendegradasi Limbah Bulu Walet. Sarjana thesis, Universitas Brawijaya.

Abstract

Sarang burung walet atau edible birds nest merupakan produk luaran burung walet yang berasal dari liur atau saliva yang mengeras akibat dari kondisi lingkungan sekitar. Sarang walet merupakan salah satu produk dengan harga yang mahal, sehingga dijuluksi sebagai “Kaviar dari Timur”. Parameter yang membuat sarang walet mahal adalah kebersihannya. Semakin putih dan bersih sarang walet, maka harga yang diberikan akan semakin tinggi. Salah satu impurities dari sarang walet adalah adanya bulu yang masih menempel pada sarang walet. Sehingga, dibutuhkan proses pencabutan sarang walet secara manual menggunakan pinset dan membutuhkan waktu yang cukup lama, yakni 30 hingga 45 menit. Selain itu, pencabutan menggunakan pinset merupakan sebuah cara yang bersifat destruktif karena ketika terdapat human error, maka akan merusak sarang walet. Salah satu solusi dalam pembersihan sarang walet dari bulu walet adalah dengan menggunakan bantuan enzim protease serin. Enzim tersebut diaplikasikan dengan jumlah dosis yang berbeda-beda sesuai dengan banyaknya substrat bulu walet agar proses pendegradasian berjalan secara optimal. Sehingga, diperlukan sebuah sistem detektor untuk menghindari pemborosan sebuah dosis enzim protease serin untuk mendegradasi limbah bulu walet. Salah satu metode yang dapat digunakan untuk mengklasifikasi dan memprediksi dosis enzim untuk kebutuhan degradasi bulu walet adalah deep learning dengan model Convolutional Neural Network (CNN). CNN dinilai mampu menciptakan sebuah akurasi tinggi dalam proses klasifikasi sebuah objek. Pada penelitian ini, digunakan model CNN dengan arsitektur dari GoogleNet dan Xception. Kedua arsitektur tersebut memiliki susunan struktur yang berbeda, sehingga akan menghasilkan nilai akurasi yang berbeda juga. Jumlah data yang dibutuhkan dari penelitian ini adalah 72 datasets sarang walet, lalu diaugmentasi menjadi 2229 augmented datasets tampak depan dan belakang. Datasets tersebut dilakukan dengan 1799 datasets untuk training data, 215 untuk validation data, dan 215 sebagai data testing sesuai dengan pretrained network GoogLeNet dan XCeption. Setelah itu, dilakukan evaluasi kinerja menggunakan confusion matrix untuk menghitung nilai akurasi, presisi, recall, dan F1-score. Hasil dari penelitian ini, pada arsitektur GoogLeNet dan XCeption mendapatkan nilai akurasi data validasi tertinggi pada 25 epochs, yakni 92,66%. Sedangkan, pada confusion matrix, XCeption mendapatkan nilai akurasi tertinggi pada 25 epochs, yakni 94%.

English Abstract

Edible birds nest (EBN) is an external product of swiftlet that comes from saliva that hardens as a result ot environment condition. EBN is one of the product with an expensive price who nicknamed “Caviar from the East”. The parameter that makes EBN expensive is their cleanliness. EBN which whiter and cleaner is a higher price given. One of the impurities from the ebn is the presence of feathers that are still attached of the EBN. Thus, the process of removing feather in EBN manually using tweezers is required and takes a long time, which is 30 to 45 minutes. In addition, retraction using tweezers is a destructive think because if there is a human error, it will demaged the EBN. One solution in cleaning EBN from swiftlet feather is using serine protease enzyme. The enzyme is applied in different doses according to the number of swiftlet feather substrat so that the degradation process runs optimally. Thus, a detectore system is needed to avoid wasting a dose of serine protease enzyme to degrade swallow feather waste. Method that can be used to classify and prediction enzyme dose for EBN need deep learning with the CNN model. CNN is considered capable of creating a high accuracy in the process of classifying an object. In this study, the CNN model is used with the architecture of GoogleNet and Xception. The two architectures have different structural arrangements, so they will produce different accuracy values as well. The amount of data needed from this research is 76 swallow nest datasets, then augmented into 2229 datasets. The datasets were carried out with 1799 datasets for training data, 215 for data validation, and 215 as testing data according to the GoogLeNet and XCeption pretrained networks. After that, a performance evaluation was carried out using a confusion matrix to calculate the values of accuracy, precision, recall, and F1-score. The results of this study, the GoogLeNet and XCeption architectures get the highest validation data accuracy value at 25 epochs, which is 92.66%. Meanwhile, in the confusion matrix, XCeption gets the highest accuracy value at 25 epochs, which is 94%.

Item Type:	Thesis (Sarjana)
Identification Number:	0522100431
Uncontrolled Keywords:	Confusion Matrix, Convolutional Neural Network (CNN), Deep learning, Edible Bird Nest (EBN), Enzim protease serin, GoogLeNet, XCeption,Confusion Matrix, Convolutional Neural Network (CNN), Deep learning, Edible Bird Nest (EBN), GoogleNet, Xception, Serine Protease Enzyme
Subjects:	600 Technology (Applied sciences) > 630 Agriculture and related technologies
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	soegeng sugeng
Date Deposited:	13 Feb 2023 02:05
Last Modified:	13 Feb 2023 02:05
URI:	http://repository.ub.ac.id/id/eprint/197419

Text (DALAM MASA EMBARGO) Rizal Arifiandika.pdf Restricted to Registered users only until 31 December 2024. Download (4MB)

Actions (login required)

View Item