Analisis Komparasi Model Pretrained Convolutional Neural Networks (Pt-CNNs) dalam Mendeteksi Dosis Enzim Protease Serin untuk Mendegradasi Bulu di Sarang Walet.

Liana., Verianti and Arif Hidayat,, STP., M.AIT., Ph.D and Prof. Yusuf Hendrawan,, STP., M.App. Life. Sc., Ph.D (2023) Analisis Komparasi Model Pretrained Convolutional Neural Networks (Pt-CNNs) dalam Mendeteksi Dosis Enzim Protease Serin untuk Mendegradasi Bulu di Sarang Walet. Sarjana thesis, Universitas Brawijaya.

Abstract

RINGKASAN Sarang walet merupakan produk mahal dari saliva burung walet (Aerodramus fuciphagus) yang memiliki berbagai manfaat kesehatan sehingga dijuluki dijuluki “Kaviar dari Timur”. Permasalahan utama produk ini adalah pada proses pencabutan bulu walet yang mana umumnya dilakukan secara manual yang bersifat destruktif, tidak efisien, dan tidak efektif. Enzim protease serin dapat menjadi alternatif untuk mendegradasi bulu di sarang walet yang dosis enzimnya perlu dideteksi secara akurat sehingga degradasi bulu walet berlangsung efektif dengan biaya enzim yang efisien. Solusi deteksi dosis enzim secara akurat melalui gambar sarang walet dengan jumlah dataset yang terbatas adalah dengan metode transfer learning model Pretrained Convolutional Neural Networks (Pt-CNNs) dari Tensorflow. Penelitian ini bertujuan untuk membandingkan mekanisme klasifikasi gambar, arsitektur, dan hasil performansi tiga Pt-CNNs berupa Resnet50, InceptionResnetV2, dan EfficientNetV2S. Secara umum, ketiga Pt-CNNs menggunakan lapisan konvolusi dan pooling untuk mengekstraksi fitur yang informatif serta lapisan fully connected sebagai pengklasifikasi akhir gambar ke 30 kelas dosis enzim dalam range 3-59 KU/mL. Perbedaan utama dari ketiga arsitektur Pt-CNNs ini adalah pada backbone lapisan konvolusi yang berperan dalam ekstraksi fitur. Resnet50 menggunakan lapisan konvolusi dengan koneksi residual, InceptionResnetV2 menggabungkan modul Inception dan koneksi residual, serta EfficientNet menggunakan lapisan MBConv (Mobile Inverted Residual Bottleneck Convolution) dan Fused-MBConv. Koneksi residual berfungsi untuk mencegah hilangnya gradien selama proses pelatihan jaringan yang sangat dalam. Modul Inception menggunakan sejumlah operasi konvolusi paralel dengan ukuran filter yang berbeda yang berkontribusi signifikan pada pembelajaran fitur informatif yang kaya pada skala yang berbeda. EfficientNetV2S memodifikasi lapisan konvolusi tradisional menjadi lapisan MBConv dan Fused-MBConv yang lebih efisien dari segi parameter dan komputasinya. Penelitian ini membuktikan bahwa InceptionResnetV2 dengan 782 lapisan dan 57.2 juta parameter menghasilkan performansi terbaik dalam mendeteksi dosis enzim dari 2880 data sarang walet (70% data training dan 30% data validasi) dibandingkan Resnet50 dengan 177 lapisan dan 26.5 juta parameter dan EfficientNetV2S dengan 516 lapisan dan 20.3 juta parameter. Dengan penerapan early stopping yang memperhatikan metrik validation loss dan patience=5 pada epoch maksimal=20 untuk mencegah overfitting, model Resnet50 dan InceptionResnetV2 berhenti di epoch ke-19 dan model EfficientNetV2S berhenti di epoch ke-20. Nilai train loss dan validation loss terendah diperoleh pada model InceptionResnetV2 dengan nilai 0.4153 dan 0.5960 diikuti dengan nilai akurasi yang tertinggi juga pada training dan validasi dengan nilai 97.92% dan 96.18%. Performansi InceptionResnetV2 yang tinggi ini disebabkan oleh arsitekturnya yang kompleks, adanya backbone Inception, jumlah parameter yang lebih tinggi, karakteristik data sarang walet yang mirip dengan data training ImageNet pada InceptionResnetV2 di Tensorflow, serta resolusi gambar input yang lebih tinggi.

English Abstract

SUMMARY Edible Bird's Nest is an expensive product derived from the saliva of the swiftlet bird (Aerodramus fuciphagus), known for its various health benefits, earning it the nickname "Caviar of the East." The main challenge associated with this product lies in the manual feather plucking process, which is generally destructive, inefficient, and ineffective. Serine protease enzymes offer an alternative solution for degrading feathers in Edible Bird's Nest, and the accurate detection of enzyme dosage is essential to ensure effective degradation while optimizing enzyme costs. Accurate enzyme dosage detection through limited dataset images of Edible Bird's Nest was achieved by employing the transfer learning method using the Pretrained Convolutional Neural Networks (Pt-CNNs) model from Tensorflow. This study aimed to compare the mechanisms of image classification, architectures, and performance outcomes of three Pt-CNNs: Resnet50, InceptionResnetV2, and EfficientNetV2S. In general, all three Pt-CNNs utilize convolutional and pooling layers to extract informative features, along with fully connected layers for the final classification of images into 30 enzyme dosage classes ranging from 3-59 KU/mL. The primary difference among these Pt-CNN architectures lies in the backbone convolutional layers, which play a crucial role in feature extraction. Resnet50 employs convolutional layers with residual connections, InceptionResnetV2 combines Inception modules with residual connections, while EfficientNet adopts MBConv (Mobile Inverted Residual Bottleneck Convolution) and Fused-MBConv layers. The inclusion of residual connections in the architectures prevents gradient vanishing during the training process of deep networks. The Inception module employs multiple parallel convolutional operations with different filter sizes, significantly contributing to the acquisition of rich and informative features across various scales. EfficientNetV2S modifies traditional convolutional layers into computation-efficient MBConv and Fused-MBConv layers with less parameters. This research demonstrated that InceptionResnetV2, with 782 layers and 57.2 million parameters, achieved the best performance in detecting enzyme dosage among the 2880 Edible Bird's Nest data samples (with 70% allocated for training and 30% for validation), compared to Resnet50 with 177 layers and 26.5 million parameters, and EfficientNetV2S with 516 layers and 20.3 million parameters. The implementation of early stopping, based on the validation loss metric with a patience value of 5, was employed to prevent overfitting. The Resnet50 and InceptionResnetV2 models concluded training at epoch 19, while the EfficientNetV2S model completed training at epoch 20. The InceptionResnetV2 model achieved the lowest train loss (0.4153) and validation loss (0.5960), along with the highest accuracy rates in both training (97.92%) and validation (96.18%). The superior performance of InceptionResnetV2 can be attributed to its complex architecture, the presence of the Inception backbone, higher parameter count, the similarity between the characteristics of Edible Bird's Nest data and the ImageNet training data used in InceptionResnetV2 within the Tensorflow framework, as well as the utilization of higher-resolution input images.

Item Type:	Thesis (Sarjana)
Uncontrolled Keywords:	Sarang Walet, Pretrained Convolutional Neural Network, Resnet50, InceptionResnetV2, EfficientNetV2S
Divisions:	Fakultas Teknologi Pertanian > Teknologi Industri Pertanian
Depositing User:	Unnamed user with username saputro
Date Deposited:	16 Jan 2024 02:33
Last Modified:	16 Jan 2024 02:33
URI:	http://repository.ub.ac.id/id/eprint/210688

Text (DALAM MASA EMBARGO) Verianti Liana.pdf Restricted to Registered users only until 31 December 2025. Download (5MB)

Actions (login required)

View Item