Klasifikasi Ras Sapi Menggunakan Hyperparameter ResNet-50 Berbasis Transfer Learning
DOI:
https://doi.org/10.70609/jusifor.v5i1.8778Kata Kunci:
Klasifikasi, Ras Sapi, ResNet-50, Transfer Learning, Hyperparameter TuningAbstrak
Identifikasi ras sapi merupakan tantangan dalam pengelolaan peternakan modern, terutama pada ras yang memiliki kemiripan morfologi yang tinggi. Penelitian ini bertujuan mengoptimalkan kinerja klasifikasi citra ras sapi menggunakan arsitektur CNN ResNet-50. Tahapannya diawali dengan proses pra-pemrosesan yang meliputi penyeragaman ukuran citra menjadi 224×224 piksel, normalisasi serta penerapan augmentasi data untuk meningkatkan variasi data latih. Model dilatih menggunakan optimizer Adam dengan skenario pengaturan hyperparameter. Fokus utama penelitian adalah mengevaluasi efektivitas metode Transfer Learning dibandingkan dengan pelatihan dari awal. Dataset yang digunakan terdiri atas 1.251 citra morfologi yang terbagi dalam 5 kelas ras (Ayrshire, Brown Swiss, Holstein Friesian, Jersey, dan Red Dane). Hasil menunjukkan perbedaan performa yang signifikan. Model yang dilatih dari awal hanya mampu mencapai akurasi maksimal sebesar 81%, sedangkan model berbasis Transfer Learning mampu mencapai akurasi sebesar 95%. Peningkatan akurasi sebesar 14% ini membuktikan bahwa penggunaan bobot pre-trained yang dikombinasikan dengan augmentasi data efektif dalam mengenali karakteristik visual ras sapi dengan presisi tinggi.
Referensi
[1] J. Xu, B. Gu, dan G. Tian, “Review of agricultural IoT technology,” 1 Januari 2022, KeAi Communications Co. doi: 10.1016/j.aiia.2022.01.001.
[2] S. Zamroni dkk., “Sistemasi: Jurnal Sistem Informasi Identifikasi Moncong Sapi menggunakan Metode Jaringan Saraf Tiruan Konvolusional (CNN),” Sistemasi: Jurnal Sistem Informasi, vol. 13, no. 6, hlm. 2479–2493, 2024, [Daring]. Tersedia pada: http://sistemasi.ftik.unisi.ac.id
[3] K. Komposisi Populasi Sapi Potong Berdasarkan Bangsa, J. Kelamin, dan Tingkat Umur di Daerah Suliki Kabupaten Lima Puluh Kota, F. Lismanto Syaiful, A. Fernando dan Khasrad, dan K. Kunci, “A Study of Beef Cattle Population Composition Based on Breed, Gender, and Age Levels in the Suliki Area of the Lima Puluh Kota District,” Journal of Livestock and Animal Health JLAH, vol. 7, no. 2, hlm. 32–41, 2024, doi: 10.32530/jlah.v7i2.47.
[4] Y. Qiao, C. Clark, S. Lomax, H. Kong, D. Su, dan S. Sukkarieh, “Automated Individual Cattle Identification Using Video Data: A Unified Deep Learning Architecture Approach,” Frontiers in Animal Science, vol. 2, 2021, doi: 10.3389/fanim.2021.759147.
[5] L. Alzubaidi dkk., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J Big Data, vol. 8, no. 1, Des 2021, doi: 10.1186/s40537-021-00444-8.
[6] B. Xu dkk., “Evaluation of deep learning for automatic multi‐view face detection in cattle,” Agriculture (Switzerland), vol. 11, no. 11, Nov 2021, doi: 10.3390/agriculture11111062.
[7] L. Maramis, I. Nurtanio, dan H. Zainuddin, “Klasifikasi Sapi Perah dan Non-Perah Menggunakan Algoritma Convolutional Neural Network,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 2, hlm. 664–674, Apr 2025, doi: 10.57152/malcom.v5i2.1824.
[8] M. Akbar, A. S. Purnomo, dan S. Supatman, “Multi-Scale Convolutional Networks untuk Pengenalan Rambu Lalu Lintas di Indonesia,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 11, no. 3, hlm. 310–315, Des 2022, doi: 10.32736/sisfokom.v11i3.1452.
[9] M. Shafiq dan Z. Gu, “Deep Residual Learning for Image Recognition: A Survey,” 1 September 2022, MDPI. doi: 10.3390/app12188972.
[10] F. Yalda Sulistia dan A. Vatresia, “Penerapan Deep Learning Menggunakan Convolutional Neural Network (CNN) Untuk Klasifikasi Daging Ayam Menggunakan Arsitektur Resnet-50,” Journal of Information Technology and Computer Science (INTECOMS), vol. 7, no. 3, 2024.
[11] A. Salim dan M. Akbar, “Klasifikasi Ras Sapi Menggunakan Convolutional Neural Network,” Jurnal Sains Informatika Terapan (JSIT), vol. 4, no. 3, hlm. 664–673, 2025.
[12] M. Agil Izzulhaq, “Indonesian Journal of Mathematics and Natural Sciences Penerapan Algoritma Convolutional Neural Network Arsitektur ResNet50V2 Untuk Mengidentifikasi Penyakit Pneumonia,” 2024. [Daring]. Tersedia pada: https://journal.unnes.ac.id/journals/JM/index
[13] D. Tribuana, Hazriani, dan A. L. Arda, “Image Preprocessing Approaches Toward Better Learning Performance with CNN,” Jurnal RESTI, vol. 8, no. 1, hlm. 1–9, Feb 2024, doi: 10.29207/resti.v8i1.5417.
[14] I. A. P. F. Imawati, M. Sudarma, I. K. G. Darma Putra, I. P. A. Bayupati, dan M. Jo, “Training VGG16, MobileNetV1 and Simple CNN Models from Scratch for Balinese Inscription Recognition,” Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, vol. 15, no. 03, hlm. 149, Jan 2025, doi: 10.24843/lkjiti.2024.v15.i03.p01.
[15] L. Alzubaidi dkk., “Deepening into the suitability of using pre-trained models of ImageNet against a lightweight convolutional neural network in medical imaging: an experimental study,” PeerJ Comput Sci, vol. 7, hlm. 1–27, 2021, doi: 10.7717/peerj-cs.715.
[16] M. B. Hossain, S. M. H. S. Iqbal, M. M. Islam, M. N. Akhtar, dan I. H. Sarker, “Transfer learning with fine-tuned deep CNN ResNet50 model for classifying COVID-19 from chest X-ray images,” Inform Med Unlocked, vol. 30, Jan 2022, doi: 10.1016/j.imu.2022.100916.
[17] C. Shorten dan T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J Big Data, vol. 6, no. 1, Des 2019, doi: 10.1186/s40537-019-0197-0.
[18] J. A1 dan S. Sanjaya, “Optimalisasi Convolutional Neural Network Menggunakan Augmentasi dan Hyperparameter untuk Klasifikasi Daging Sapi dan Daging Babi,” JUSTIN (Jurnal Sistem dan Teknologi Informasi), vol. 12, no. 4, hlm. 623–629, 2024, doi: 10.26418/justin.v12i4.80337.
[19] A. Danang Krismawan, “Tomato Leaf Diseases Classification using Convolutional Neural Networks with Transfer Learning Resnet-50,” Computer Network, Computing, Electronics, and Control Journal, vol. 9, no. 2, hlm. 149–158, 2024.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Adz Dzikri Tamyizur Rijal, Bain Khusnul Khotimah
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
