Optimization of the Application of the Convolution Neural Network Algorithm in the Classification of Beef Freshness Level: Optimasi Penerapan Algoritma Convolution Neural Network Dalam Klasifikasi Tingkat Kesegaran Daging Sapi

Full text

Page | 1
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License
(CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that
the original publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not
comply with these terms.
Optimization Of The Application Of The Convolutioan Neural Network
Algorithm In The Classification Of Beef Freshness Level
[Optimasi Penerapan Algoritma Convolution Neural Network Dalam
Klasifikasi Tingkat Kesegaran Daging Sapi]
Charisa Nur Sahera1), Yunianita Rahmawati *,2)
1)Program Studi Informatika, Universitas Muhammadiyah Sidoarjo, Indonesia
2) Program Studi Informatika, Universitas Muhammadiyah Sidoarjo, Indonesia
*Email Penulis Korespondensi: yunianita@umsida.ac.id
Abstract. This journal discusses the optimization of the application of the Convolutional Neural Network (CNN) algorithm
to overcome the issue of mixing fresh and non-fresh beef on the market. The focus of the research is classification of
freshness levels in beef images using the CNN method with the ADAM optimizer. The results of the study show that
this method is very effective in identifying and classifying the level of freshness in beef images. By determining optimal
parameters, the model achieved the highest level of accuracy of 98.50% at 10 epochs and a learning rate value of
0.001. The conclusion of this research is that the application of CNN with ADAM optimizer provides an effective
solution to the problem of beef freshness level classification. This model can be implemented in various applications
or other solutions, providing support to stakeholders who care about the quality and integrity of beef in the market.
Keywords - Beef; Convolution Neural Network; Classification
Abstrak. Jurnal ini membahas tentang optimalisasi penerapan algoritma Convolutional Neural Network (CNN) untuk
mengatasi permasalahan tercampurnya daging sapi segar dan non-segar di pasaran. Fokus penelitian adalah
klasifikasi tingkat kesegaran pada citra daging sapi menggunakan metode CNN dengan pengoptimasi ADAM. Hasil
penelitian menunjukkan bahwa metode ini sangat efektif dalam mengidentifikasi dan mengklasifikasikan tingkat
kesegaran pada gambar daging sapi. Dengan menentukan parameter optimal, model mencapai tingkat akurasi
tertinggi sebesar 98,50% pada 10 epoch dan nilai learning rate sebesar 0,001. Kesimpulan dari penelitian ini adalah
penerapan CNN dengan pengoptimal ADAM memberikan solusi efektif terhadap permasalahan klasifikasi tingkat
kesegaran daging sapi. Model ini dapat diimplementasikan dalam berbagai aplikasi atau solusi lainnya, memberikan
dukungan kepada pemangku kepentingan yang peduli terhadap kualitas dan integritas daging sapi di pasar.
Kata Kunci – Daging Sapi; Convolution Neural Network; Klasifikasi
I. PENDAHULUAN
Saat ini, daging sapi telah menjadi salah satu bahan makanan yang popular di kalangan banyak orang. Daging ini
tidak hanya menjadi pilihan utama dalam makanan, tetapi juga diminati karena kandungan gizi lengkapnya, mencakup
air, protein, lemak, kalsium, dan berbagai vitamin yang memberikan banyak manfaat bagi kesehatan manusia[1].
Kebutuhan daging di Indonesia terus meningkat seiring pertumbuhan penduduk. Pada tahun 2022, kebutuhan daging
sapi mencapai 2,57 kg per tahun per orang, dengan total penduduk 278,69 juta. Produksi daging sapi dalam negeri
juga meningkat, namun belum mencukupi kebutuhan, menyebabkan peningkatan harga konsumen setiap tahunnya,
dari Rp.113.550 per Kg pada tahun 2016 menjadi Rp.120.423 per Kg pada tahun 2020. (Direktorat Jendral Peternakan
dan kesehatan Hewan Kementerian Pertanian, 2021).
Peningkatan harga ini sangat berdampak untuk konsumen atau penjual daging sapi. Biaya produksi sapi local
yang mahal adalah salah satu factor kenaikan harga daging sapi di pasaran[2]. Ini menyebabkan pedagang daging
enggan menghadapi kerugian. Oleh karena seiring dengan itu, beberapa praktik curang muncuk dengan
mencampurkan daging sapi segar dengan daging sapi yang sudah tidak segar. Karena daging sapi yang tidak segar
dijual dengan tarif yang lebih terjangkau dibandingkan dengan daging sapi segar. Hal ini sangat berbahaya bagi
kesehatan karena sebelum daging sapi turun ke tangan konsumen melewati banyak proses mulai dari proses
pemotongan, hingga pendistribusian nya[3]. Memerlukan waktu, dikarenakan daging sapi menjadi tempat yang ideal
bagi pertumbuhan jamur dan bakteri[4]. Perkembangan bakteri dan jamur sangat terkait dengan suhu. Untuk
menentukan kesegaran daging sapi masyarakat masih menggunakan cara tradisional hal ini bersifat subjektif karena
tidak adanya acuan yang pasti[5]. Karena pengetahuan dan ketelitian seseorang dalam memilih daging sapi pasti

2 | Page
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY).
The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original
publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply
with these terms.
berbeda. Terutama untuk masyarakat yang masih awam hal ini tentu akan menjadi sulit untuk memilih daging yang
segar dan memiliki kualitas baik[6].
Pada era dimana teknologi terus berkembang, pemrosesan gambar bisa dikerjakan dengan memanfaatkan
deep learning[7]. Oleh karena itu sangat diperlukan sebuah system deep learning yang memiliki kinerja yang lebih
baik dari machine learning yang bisa digunakan untuk menjadi acuan dalam memilih daging sapi yang segar dan
berkualitas baik. Menggunakan algoritma Convolution Neural Network[8]. CNN memiliki kemampuan untuk
mengidentifikasi pola-pola kompleks dalam data gambar melalui proses konvolusi, pooling, dan pengenalan fitur, juga
dengan memasukkan optimizer ADAM, kinerja yang optimal dan penyelesaian masalah melalui pemeliharaan
parameter yang diberikan dapat dicapai dengan cepat[9]. Beberapa studi sebelumnya telah menerapkan Convolution
Neural Network(CNN). Salah satu contohnya adalah penelitian yang menggunakan CNN untuk mengklasifikasi tumor
otak dengan resolusi tinggi dan menggunakan arsitektur ResNet50, mencapai tingkat akurasi sebesar 98.14%[10].
Studi lainnya, yang melibatkan klasifikasi gambar daging sapi dan daging babi dengan mengekstrak fitur dan
menggunakan CNN, berhasil mencapai tingkat akurasi tertinggi sebesar 95.17%.
Penelitian selanjutnya menggunakan algoritma CNN dengan arsitektur ResNet-50 untuk mengklasifikasi
citra daging sapi dan babi, dan dalam penelitian ini mencapai akurasi sebesar 97.83%. Dengan adanya beberapa
penelitian yang menggunakan metode CNN, dapat disimpulkan bahwa metode ini menunjukkan kinerja yang lebih
baik.Penelitian ini bertujuan untuk menciptakan sebuah model klasifikasi tingkat kesegaran daging sapi melalui
penerapan Algoritma Convolution Neural Network Untuk Klasifikasi Kesegaran Daging Sapi yang menggunakan
dataset berupa gambar. Yang diharapkan bisa memiliki nilai akhir yang cukup tinggi sehingga model ini bisa
digunakan oleh para pemangku kepentingan terkait untuk mengambil sebuah keputusan.
II. METODE
Gambar 1. Alur Penelitian.
Gambar 1 menggambarkan langkah-langkah penelitian yang dimulai dengan mengumpulkan data berupa
gambar daging yang telah diberi label sebagai kelas segar dan kelas tidak segar. Kemudian, data dibagi untuk
memungkinkan pelatihan model menggunakan data yang sudah terbagi. Lalu dilakukan preprocessing untuk
mempersiapkan citra sebelum digunakan dalam pelatihan model. Setelah itu dilakukan ekstraksi fitur yang melibatkan
operasi konvolusi pada pixel. Tahap selanjutnya model akan dilatih untuk dapat melakukan klasifikasi kondisi daging
sapi. Setelah melalui proses pelatihan model, langkah berikutnya adalah melakukan evaluasi terhadap model tersebut
guna mengukur sejauh mana tingkat akurasi prediksinya terhadap data citra daging sapi.
A. Pengumpulan Data
Data yang digunakan dalam penelitian ini menggunakan data terbuka dan data pribadi. Untuk data pribadi
diperoleh dengan cara mengambil sampel daging sapi dari distributor lalu mengambil citra gambarnya dengan kamera.
Sedangkan untuk data terbuka bersumber dari Kaggle[11]. Yang terdiri dari dua kelas utama: daging sapi segar dan
daging sapi tidak segar.

Page | 3
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY).
The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original
publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply
with these terms.
B. Pre-processing
Pre-processing citra menggunakan LabelEncoder yang digunakan untuk mengubah kategori-kategori
menjadi representasi numerik[12]. Awal mula kategori adalah “segar” dan “tidak segar”. Serta menggunakan library
cv2 untuk melakukan manipulasi citra, digunakan untuk mengubah warna dari BGR ke RGB dan resize mengubah
ukuran citra yang diharapkan oleh CNN[13].
C. Pembagian Data
Pada penelitian ini, data dikelompokkan menggunakan Metode Validasi Pemisahan. Metode ini memisahkan
data menjadi dua bagian dengan proporsi yang diinginkan[14]. Terdiri dari dua jenis data, yaitu data latih dan data
uji. Dalam penelitian ini, pembagian data yang diujikan mencakup 70% untuk data latih dan 30% untuk data uji, serta
80% untuk data latih dan 20% untuk data uji.
D. Ekstraksi Fitur
Perhitungan pada Convolution Neural Networks (CNN) dalam deep learning melibatkan operasi konvolusi
pada pixel atau elemen matriks gambar[15]. Citra gambar yang digunakan untuk pelatihan model kali ini merupakan
citra dengan warna RGB. CNN menggunakan kernel atau filter untuk melakukan operasi konvolusi pada matriks pixel
gambar. Kernel adalah matriks kecil yang bergerak menyusuri gambar untuk mendeteksi pola atau fitur khusus[16].
Gambar 2. Flowchart Ekstraksi Fitur CNN
Berdasarkan gambar 2 Flowchart Ekstraksi fitur CNN yang telah dibuat mengimplementasikan 3 proses
konvolusi dan 3 proses pooling atau down sampling untuk ekstraksi fitur pada citra daging sapi pada konvolusi awal,
digunakan filter sebanyak 35 dengan kernel berukuran 3x3, dan fungsi aktivasi yang diterapkan adalah ReLU, yang
mempercepat proses training model adalah dengan mengubah nilai negatif menjadi nol. Berikutnya, dilakukan proses
pooling untuk menjaga agar ukuran spasi input tidak mengalami penurunan yang signifikan pada setiap tahap,
sehingga, informasi gambar tetap terjaga dan tetap dapat dimanfaatkan dalam langkah berikutnya. Pada lapisan ini,
dilakukan max pooling menggunakan kernel berukuran 2x2, dengan mengambil nilai maksimum dari area secara acak.
Proses ini menghasilkan gambar baru. Pada tahap konvolusi kedua, jumlah filter yang digunakan lebih banyak
dibandingkan dengan konvolusi pertama, yaitu sebanyak 64, karena mengalami penurunan pada lapisan kedua, maka
diperlukan sejumlah besar filter untuk mengekstraksi informasi citra. Selanjutnya, kita tetap menggunakan fungsi
aktivasi ReLu, serta mempertahankan ukuran kernel dan max pooling yang identik dengan konvolusi pertama. Proses
konvolusi ketiga sama seperti proses konvolusi kedua menggunakan filter sebanyak 64 dan kernel 3x3 dan
menggunakan aktivasi ReLu. Langkah berikutnya adalah melakukan flattening dan dropout. Layer flattening
mengonversi hasil polling dari feature maps menjadi sebuah array yang akan digunakan pada layer fully-connected
untuk melakukan klasifikasi gambar. Dropout layer memiliki tujuan untuk mencegah terjadinya overfitting, dengan

4 | Page
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY).
The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original
publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply
with these terms.
demikian dapat meningkatkan kecepatan proses pelatihan pada model. Dense layer digunakan untuk menambahkan
lapisan pada proses koneksi penuh (fully-connected), dan dense pertama memiliki 64 unit. Penggunaan layer-layer
dengan fungsi aktivasi ReLu, dan penggunaan fungsi aktivasi softmax pada layer dense ketiga, menghasilkan kinerja
yang lebih unggul dan memudahkan proses klasifikasi dengan lebih dari dua kelas.
E. Pelatihan Model CNN
Pada proses training model CNN akan dilatih untuk mengidentifikasi suatu objek khusus dan menciptakan
sebuah model dari training yang yang sudah dilakukan[17]. Testing adalah langkah untuk menguji model yang
diperoleh dari tahap pelatihan[18].
Gambar 3.Spoiled Gambar 4.Fresh
Gambar 3 menunjukan sampel daging kurang segar sedangkan gambar nomer 4 menunjukan sampel daging
segar, dilihat secara kasat mata daging sapi yang kurang segar cenderung memiliki warna yang pucat dan gelap.
Daging sapi yang segar bewarna merah mudah
F. Validasi dan Penyesuaian Model
Setelah setiap epoch atau iterasi, model dievaluasi pada data validasi untuk memonitor kinerja dan mencegah
overfitting. Dengan informasi ini, model dapat disesuaikan atau dilatih lebih lanjut
G. Evaluasi Pada Data Pengujian
Evaluasi dilakukan dengan cara menghitung tingkat ketepatan model CNN dalam melakukan
pengelompokan gambar, dengan cara melakukan pengujian nilai akurasi[19]. Untuk melihat tingkat keakuratan model
Ketika mengklasifikasikan tingkat kesegaran daging sapi, akurasi dapat diuji pada berbagai tahap perhitungan epoch
dan data yang telah dipecah. Tingkat keakuratan dapat dihitung dengan menggunakan rumus berikut[20].
Akurasi = (𝑇𝑃+𝑇𝑁)
(𝑇𝑃+𝐹𝑁+𝐹𝑃+𝑇𝑁 x 100%
Keterangan :
TP = True Positive
TN = True Negative
FP = False Positive
FN = False Negative
III. HASIL DAN PEMBAHASAN
A. Pembagian Data
Pada penelitian ini terdapat 2 kelas yaitu daging sapi segar dan daging sapi tidak segar. Penelitian ini,
menggunakan Bahasa pemrograman Python., dengan menjalankannya di Google Collab yang terintegrasi dengan
Google Drive dan sumber data mencakup dataset dari Kaggle serta data pribadi yang diperoleh melalui penggunaan
data sekunder dari citra daging yang terpantau. Setelah dilakukan tahap preprocessing data langkah berikutnya adalah
membagi data menjadi data latih dan data uji menggunakan metode split validation, dengan perbandingan data latih
sebesar 70% dan data uji 30%, serta data latih sebesar 80% dan data uji 20%.
B. Perancangan Model CNN
Tahap selanjutnya akan dilakukan ekstraksi fitur dengan melakukan proses pooling dengan menggunakan berbagai
macam ukuran karnel pada setiap layernya.

Page | 5
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY).
The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original
publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply
with these terms.
Gambar 5. Arsitektur CNN
Pada tahap ini model akan dilatih sesui dengan algoritma CNN yang telah dirancang.
C. Training dan Testing
Gambar 6. Optimizer Adam
Proses berikutnya melibatkan pengujian akurasi dengan variasi nilai epoch pada arsitektur CNN yang telah dibuat,
dengan penambahan pengoptimal Adam, Bersama dengan variasi data yang digunakan. Kombinasinya mencakupi
nilai epoch 3,6, dan 10, dengan penggunaan batch sebesar 25. Proses ini dilakukan untuk mengetahui seberapa akurat
arsitektur CNN yang telah dibuat untuk mengklasifikasikan tingkat kesegaran daging sapi.
Tabel 1. Hasil Akurasi dan Loss
Data
Latih
Data Uji
Epoch
Loss
Akurasi
70 %
30%
3
0.1388
93.67%
6
0.07850
96.67%
10
0.1060
98.33%
80%
20%
3
0.0481
95.00%
6
0.0766
96.00%
10
0.0352
98.50%
Dari table yang disajikan, dapat disimpulkan secara umum, kombinasi pemisahan data dan jumlah epoch yang
optimal menghasilkan tingkat akurasi paling tinggi dan tingkat kerugian terendah pada model dengan 10 epoch dan
pembagian data 80% untuk data latih dan 20% untuk data uji, mencapai akurasi sebesar 98.50%.
D. Evaluasi Model CNN
Gambar 7. Nilai Akurasi Terbaik & Loss

6 | Page
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY).
The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original
publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply
with these terms.
Grafik yang menunjukkan hasil pengujian model dapat ditemukan pada ilustrasi yang terdapat pada
Gambar 7 dan Grafik ini juga digunakan sebagai pembanding untuk memilih model terbaik dari sejumlah
model yang telah dijalani proses pelatihan.
Gambar 8. Grafik Akurasi pada Training dan Validasi
Gambar 9. Grafik Loss pada Training dan Validasi
Dilihat dari gambar 8 grafik akurasi sempat turun drastis pada epoch ketiga setelah epoch keempat akurasi
mulai stabil dan mengalami kenaikan. Pada gambar 9 grafik loss juga sempat mengalami kenaikan pada epoch ke 3
setelah itu grafik loss semakin menurun hingga epoch terakhir.
Selanjutnya dilakukan evaluasi model menggunakan Confusion Matrix yang menunjukan nilai, True
Positive, True Negatif, False Positive dan False Negatif yang disajikan dalam bentuk gambar.
Gambar 10. Confusion Matrix
Pada gambar 10 diperolah true positive 100, false positive 1, false negative 2, dan true negative 97. Confusion
matrix memberikan informasi rinci tentang kinerja model klasifikasi dengan membandingkan hasil prediksi dengan

Page | 7
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY).
The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original
publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply
with these terms.
label yang sebenarnya. Pada CNN, hal ini dapat membantu dalam mengukur seberapa baik model dapat
mengklasifikasikan berbagai kelas objek pada gambar.
Gambar 11.Klasifikasi Citra Daging
Pada penelitian ini model bisa membaca citra dari luar dataset dan bisa mengklasifikasikan citra tersebut termasuk
kedalam kelas fresh atau spoiled.
IV. SIMPULAN
Dari hasil kajian dan diskusi tentang penerapan Jaringan Saraf Konvolusional (CNN) dalam klasifikasi tingkat
kesegaran pada gambar daging sapi, dapat disimpulkan bahwa penerapan metode klasifikasi menggunakan CNN,
dengan penggunaan optimizer ADAM, menunjukkan kemampuan yang sangat efektif dalam mengidentifikasi dan
mengelompokkan tingkat kesegaran pada gambar daging sapi. Hasil terbaik diperoleh dengan menentukan parameter
optimal, mencapai tingkat akurasi tertinggi sebesar 98,50% pada model dengan jumlah epoch 10 dan nilai learning
rate sebesar 0,001. Model ini dapat diimplementasikan dalam berbagai bentuk aplikasi atau solusi lainnya yang dapat
memberikan dukungan kepada para pemangku kepentingan.
REFERENSI
[1] A. N. Rahmad and F. S. Pribadi, “Edu Komputika Journal,” Edu Komputika J., vol. 5, no.
1, pp. 33–43, 2018.
[2] A. Aulia, “Faktor–Faktor yang Mempengaruhi Harga Daging Sapi di Kota Banda Aceh.”
UIN AR-RANIRY, 2021.
[3] S. Maiyena and E. R. Mawarnis, “Kajian analisis konsumsi daging sapi dan daging babi
ditinjau dari kesehatan,” J. Pendidik. Tambusai, vol. 6, no. 1, pp. 3131–3136, 2022.
[4] E. Soesetyaningsih and A. Azizah, “Akurasi perhitungan bakteri pada daging sapi
menggunakan metode hitung cawan,” Berk. sainstek, vol. 8, no. 3, pp. 75–79, 2020.
[5] A. Baiq Annisa Sulistia, “Pengaruh Lama Penyimpanan Dalam Freezer Terhadap Sifat
Fisik dan Jumlah Bakteri pada Daging Sapi Bali Jantan.” Universitas Mataram, 2023.
[6] T. Yulianti, M. Telaumbanua, H. D. Septama, and H. Fitriawan, “The Effect Of Image
Feature Selection On The Local Beef,” J. Tek. Pertan. Lampung, vol. 10, no. 1, pp. 85–95,
2021,
[7] Y. Pratama, E. Rasywir, F. Fachruddin, D. Kisbianty, and B. Irawan, “Eksperimen Layer
Pooling menggunakan Standar Deviasi untuk Klasifikasi Dataset Citra Wajah dengan

8 | Page
Copyright © Universitas Muhammadiyah Sidoarjo. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY).
The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original
publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply
with these terms.
Conflict of Interest Statement:
The author declares that the research was conducted in the absence of any commercial or financial
relationships that could be construed as a potential conflict of interest.
Metode CNN,” Build. Informatics, Technol. Sci., vol. 5, no. 1, pp. 200–210, 2023.
[8] I. A. Dly, S. Sanjaya, L. Handayani, and F. Yanto, “Klasifikasi Citra Daging Sapi dan
Babi Menggunakan CNN Alexnet dan Augmentasi Data,” vol. 4, no. 4, pp. 1176–1185,
2023, doi: 10.47065/josh.v4i4.3702.
[9] M. F. Naufal et al., “Analisis Perbandingan Algoritma Klasifikasi Citra Chest X-ray
Untuk Deteksi Covid-19,” Teknika, vol. 10, no. 2, pp. 96–103, 2021, doi:
10.34148/teknika.v10i2.331.
[10] A. Deshpande, V. V. Estrela, and P. Patavardhan, “The DCT-CNN-ResNet50 architecture
to classify brain tumors with super-resolution, convolutional neural network, and the
ResNet50,” Neurosci. Informatics, vol. 1, no. 4, p. 100013, 2021, doi:
10.1016/j.neuri.2021.100013.
[11] P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan
Convolutional Neural Network (Cnn) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp.
12–20, 2020.
[12] H. Herimanto, “Perbandingan Matriks Loss Pada Model Deep Learning Resnet50 dan
Xception dalam Deteksi Objek,” J. MEDIA Inform. BUDIDARMA, vol. 7, no. 4, pp.
1994–2002, 2023.
[13] D. Alamsyah and D. Pratama, “Implementasi Convolutional Neural Networks (CNN)
untuk Klasifikasi Ekspresi Citra Wajah pada FER-2013 Dataset,” J. Teknol. Inf., vol. 4,
no. 2, pp. 350–355, 2020.
[14] M. Kamal Hasan, Adiwijaya, and A. F. Said, “Klasifikasi Citra Multi-Kelas Menggunakan
Convolutional Neural Network,” e-Proceeding Eng., vol. 6, no. 1, pp. 2127–2136, 2019.
[15] D. Irfansyah, M. Mustikasari, and A. Suroso, “Arsitektur Convolutional Neural Network
(CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi,” J. Inform. J.
Pengemb. IT, vol. 6, no. 2, pp. 87–92, 2021.
[16] J. K. Azhar, “Optimalisasi Adaptive Karnel Convolution Neural Netwok Menggunakan
Algoritma Adgrad.” Universitas Siliwangi, 2022.
[17] Y. Hartiwi, E. Rasywir, Y. Pratama, and P. A. Jusia, “Eksperimen Pengenalan Wajah
dengan fitur Indoor Positioning System menggunakan Algoritma CNN,” J. Khatulistiwa
Inform., vol. 22, no. 2, pp. 109–116, 2020.
[18] M. F. S. D. Cahyo and D. Udjulawa, “Identifikasi Daging Segar Berdasarkan Citra
menggunakan Convolutional Neural Network,” in MDP Student Conference, 2023, pp.
306–313.
[19] K. B. V. Putra, I. P. A. Bayupati, and D. M. S. Arsa, “Klasifikasi Citra Daging
Menggunakan Deep Learning dengan Optimisasi Hard Voting,” J. RESTI (Rekayasa Sist.
Dan Teknol. Informasi), vol. 5, no. 4, pp. 656–662, 2021.
[20] E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit
Sawit dengan Metode Convolutional Neural Network (CNN),” J. Parad. Ubsi, vol. 22, no.
2, pp. 117–123, 2020.