PERBAIKAN MODEL ALEXNET UNTUK MENDETEKSI KEMATANGAN TBS KELAPA SAWIT DENGAN MENGGUNAKAN IMAGE ENHANCEMENT DAN HYPERPARAMETER TUNING

Indra Alfredo; Suharjito Suharjito

doi:10.35760/tr.2022.v27i1.5973

PERBAIKAN MODEL ALEXNET UNTUK MENDETEKSI KEMATANGAN TBS KELAPA SAWIT DENGAN MENGGUNAKAN IMAGE ENHANCEMENT DAN HYPERPARAMETER TUNING

Indra Alfredo
Bina Nusantara University
Indonesia

Suharjito Suharjito
orcid

Bina Nusantara University
Indonesia

DOI: http://dx.doi.org/10.35760/tr.2022.v27i1.5973

Abstract

Kualitas CPO yang baik adalah dihasilkan dari buah sawit yang mempunyai tingkat kematangan yang baik. Pada umumnya penentuan kematangan TBS kelapa sawit dilakukan melalui penilaian warna buah secara visual dan subjektif, sehingga perlu dikembangkan suatu model untuk mengidentifikasi tingkat kematangan berdasarkan karakteristik warna. Adapun tujuan dari penelitian ini adalah untuk mengembangkan sebuah model deep learning agar mendapatkan hyperparameter terbaik dari model yang diteliti yaitu AlexNet untuk mengklasifikasi tingkat kematangan. Jumlah dataset yang digunakan terdiri dari 6.000 buah gambar kelapa sawit dengan enam tingkat kematangan. Teknik augmentation akan digunakan untuk membantu memperbanyak jumlah dataset, selain itu menambahkan parameter image enhancement untuk mencerahkan gambar agar lebih nyata. Parameter lainnya menggunakan binary crossentropy untuk mengurangi loss dan optimizer menggunakan Stochastic Gradient Descent (SGD) untuk menemukan nilai optimal. Kemudian dari hasil evaluasi initial model dilakukan hyperparameter tuning untuk mendapatkan optimal parameter dari model AlexNet yang dibangun. Dari hasil penelitian ini menunjukkan bahwa model yang diajukan menggunakan metode Convolutional Neural Network (CNN) dengan menggunakan model AlexNet akurasi meningkat setelah menggunakan hyperparameter tuning dan image enhancement berhasil mencapai 0.9530.

Keywords

AlexNet; Convolutional Neural Network; Kematangan; Kelapa sawit

References

M. H. Razali, S. Abdul and R. Syazili, "A Review on Crop Plant Production and Ripeness Forecasting," International Journal of Agriculture and Crop Sciences (IJACS), vol. 4, no. 2, pp. 54-63, 2012.

S. A. Ghazalli, H. Selamat, Z. Omar and R. Yusof, "Image Analysis Techniques for Ripeness Detection of Palm Oil Fresh Fruit Bunches," ELEKTRIKA-Journal of Electrical Engineering, vol. 18, no. 3, pp. 57-62, 2019.

Z. B. M. Sharif, N. B. M. Taib, M. S. B. Yusof, M. Z. B. Rahim, A. L. B. M. Tobi and M. S. B. Othman, "Study on Handling Process and QualityDegradation of Oil Palm Fresh Fruit Bunches (FFB)," 2017.

M. H. M. Hazir, A. R. M. Shariff and M. D. Amiruddin, "Determination of Oil Palm Fresh Fruit Bunch ripeness-Based on Flavonoids and Anthocyanin Content," Industrial Crops and Products, vol. 36, no. 1, pp. 466-475, 2012.

I. Bonet, F. Caraffini, A. Pena, A. Puerta and M. Gongora, "Oil Palm Detection via Deep Transfer Learning," In 2020 IEEE Congress on Evolutionary Computation (CEC), pp. 1-8, July, 2020.

A. Y. Saleh and E. Liansitim, "Palm Oil Classification Using Deep Learning," Sci. Inf. Technol. Lett, vol. 1, no. 1, pp. 1-8, 2020.

H. Herman, A. Susanto, T. W. Cenggoro, S. Suharjito and B. Pardamean, "Oil Palm Fruit Image Ripeness Classification with Computer Vision using Deep Learning and Visual Attention," Journal of Telecommunication, Electronic and Computer Engineering (JTEC), vol. 12, no. 2, pp. 21-27, 2020.

G. N. Elwirehardja, J. S. Prayoga and Suharjito, "Oil Palm Fresh Fruit Bunch Ripeness Classification On Mobile Devices Using Deep Learning Approaches," Computers and Electronics in Agriculture, vol. 188, p. 106359, 2021.

M. Rifqi and Suharjito, "Deteksi Kematangan Tandan Buah Segar (Tbs) Kelapa Sawit Berdasarkan Komposisi Warna," Jurnal Teknik Informatika, vol. 14, no. 2, pp. 125-134, 2021.

Z. Ibrahim, N. Sabri and D. Isa, "Palm Oil Fresh Fruit Bunch Ripeness Grading Recognition Using Convolutional Neural Network," Journal of Telecommunication, Electronic and Computer Engineering (JTEC), vol. 10, no. 3-2, pp. 109-113, 2018.

T. A. Korzhebin and A. D. Egorov, "Comparison of Combinations of Data Augmentation Methods and Transfer Learning Strategies in Image Classification Used in Convolution Deep Neural Networks," 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), pp. 479-482, 2021.

Y. LeCun, L. Bottou, Y. Bengio and P. & Haffner, "Gradient-Based Learning Applied to Document Recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998.

X. Chen, "Image Enhancement Effect On The Performance Of Convolutional Neural Networks," 2019.