Klasifikasi Citra Mutu Kemasan Menggunakan Metode Convolutional Neural Network Dengan Arsitektur MobileNetV2
Abstract
Product packaging is an important component. Packaging has an impact on product identification, quality, and competitiveness. The outer appearance of the product’s packaging affects how consumers see it. Inspection and classification of packaging is an important factor in determining whether the packaging is good or not for the quality of the products, food, and beverages packaged. The packaging used to pack food and beverages is good packaging that requires inspection. This study uses MobileNetV2 architecture with Deep Learning techniques in the classification of packaging quality, which is grouped into two classes: Good and Not Good. Each class is divided into 3 parts: training, validation, and test data, with a ratio of 80:10:10. From the implementation of MobileNetV2 architecture in the classification of packaging quality, an accuracy of 98% was obtained. It was concluded that the classification of packaging quality with the architecture of MobileNetV2 has good and accurate accuracy.
Kata kunci: Packaging; Inspection; Classification; MobileNetV2; Deep Learning
Abstrak
Kemasan produk adalah komponen penting. Kemasan memiliki dampak pada identifikasi, kualitas, dan daya saing produk. Tampilan luar kemasan produk mempengaruhi bagaimana konsumen melihatnya. Inspeksi dan klasifikasi kemasan adalah faktor penting dalam menentukan kemasan tersebut bagus dan tidak bagus untuk menjaga kualitas produk dan makanan dan minuman yang dikemas. Kemasan yang digunakan untuk mengemas makanan dan minuman merupakan kemasan yang bagus sehingga diperlukan inspeksi terhadap kemasan tersebut. Pada penelitian ini menggunakan arsitektur MobileNetV2 dengan teknik Deep Learning dalam klasifikasi mutu kemasan yang dikelompokkan menjadi 2 kelas yaitu Good dan Not Good. Setiap kelas dibagi menjadi 3 data yaitu data latih, validasi dan test dengan rasio 80:10:10. Dari hasil implementasi arsitektur MobileNetV2 dalam mengklasifikasi mutu kemasan diperoleh nilai akurasi sebesar 98%. Didapatkan kesimpulan bahwa klasifikasi mutu kemasan dengan arsitektur MobileNetV2 memiliki akurasi yang baik dan akurat.
Kata kunci: Kemasan; Inspeksi; Klasifikasi; MobileNetV2; Deep Learning
References
N. Baudet, J. L. Maire, dan M. Pillet, “The visual inspection of product surfaces,” Food Qual Prefer, vol. 27, no. 2, hlm. 153–160, 2013, doi: https://doi.org/10.1016/ j.foodqual.2012.08.006.
S. Mukhtar dan M. Nurif, “Peranan packaging dalam meningkatkan hasil produksi terhadap konsumen,” Jurnal sosial humaniora (JSH), vol. 8, no. 2, hlm. 181–191, 2015.
Roesfitawati, “Desain Kemasan Produk Makanan Olahan,” Kementrian Perdagangan Republik Indonesi, 2017.
FlexyPack, “Jenis-Jenis Kemasan beserta Aplikasinya dalam Produk untuk Bisnis,” PT Solusi Kemasan Digital Tbk, 9 Februari 2022. https://flexypack.com/news/jenis-jenis-kemasan-aplikasinya (diakses 22 Juli 2023).
S. Julianti, A Practical Guide to Flexible Packaging. Jakarta: Gramedia Pustaka Utama, 2017.
A. Ahmad, “Mengenal artificial intelligence, machine learning, neural network, dan deep learning,” J. Teknol. Indones., Vol. 3, no. October, pp. 1-5, Juni 2017.
S. Ilahiyah dan A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sistem Dan Teknologi Informasi Indonesia), vol. 3, no. 2, hlm. 49–56, Agu 2018, doi: https://doi.org/10.32528/justindo.v3i2.2254.
A. G. Howard dkk., “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” arXiv preprint arXiv:1704.04861, Apr 2017, doi: https://doi.org/10.48550/arXiv.1704.04861.
M. Fachrurrozi Adi, A. Wasiur Rizqi, dan D. Andesta, “Pengendalian Kualitas Produk Kardus Menggunakan Metode Statistical Quality Control pada CV. XYZ,” Jurnal Serambi Engineering, vol. 7, no. 2, pp. 3155-3162, Apr 2022, doi: https://doi.org/10.32672/jse. v7i2.4175.
R. D. W. Pradana dkk., “MIdentification System of Personal Protective Equipment Using Convolutional Neural Network (CNN) Method,” dalam 2019 International Symposium on Electronics and Smart Devices (ISESD), Okt 2019, hlm. 1–6. doi: 10.1109/ISESD.2019.8909629.
R. Kusumawardani dan P. D. Karningsih, “Detection and Classification of Canned Packaging Defects Using Convolutional Neural Network,” PROZIMA (Productivity, Optimization and Manufacturing System Engineering), vol. 4, no. 1, hlm. 1–11, Mar 2021, doi: https://doi.org/10.21070/prozima.v4i1.1280.
I. Mudzakir dan T. Arifin, “Klasifikasi Penggunaan Masker dengan Convolutional Neural Network Menggunakan Arsitektur MobileNetv2,” EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi, vol. 12, no. 1, hlm. 76, Jun 2022, doi: https://doi.org/10.36448/expert.v12i1.2466.
D. Erwanto, P. N. Rahayu, dan Y. B. Utomo, “CLASSIFICATION OF DEFECTS ON PACKING CANS USING LACUNARITY AND NAÏVE BAYES METHODS,” Jurnal Elektro Lucea, vol. 7, no. 2, hlm. 142–150, Nov 2021, doi: https://doi.org/10.32531/jelekn.v7i2.398.
I. K. Trisiawan dan Y. Yuliza, “Penerapan Multi-Label Image Classification Menggunakan Metode Convolutional Neural Network (CNN) Untuk Sortir Botol Minuman,” Jurnal Teknologi Elektro, vol. 13, no. 1, hlm. 48, Feb 2022, doi: 10.22441/jte.2022.v13i1.009.
A. Antoni, T. Rohana, dan A. R. Pratama, “Implementasi Algoritma Convolutional Neural Network Untuk Klasifikasi Citra Kemasan Kardus Defect dan No Defect,” Building of Informatics, Technology and Science (BITS), vol. 4, no. 4, Mar, pp. 1941-1950, 2023, doi: 10.47065/bits.v4i4.3270.
P. Chapman dkk., “CRISP-DM 1.0: Step-by-step data mining guide,” SPSS inc, vol. 9, no. 13, hlm. 1–73, 2000.
N. Sakinah, T. Badriyah, dan I. Syarif, “Analisis Kinerja Algoritma Mesin Pembelajaran untuk Klarifikasi Penyakit Stroke Menggunakan Citra CT Scan,” J. Teknol. Inf. dan Ilmu Komput, vol. 7, no. 4, hlm. 833-844, Agu 2020, doi: https://doi.org/10.25126/ jtiik.202073482.
How To Cite This :
Refbacks
- There are currently no refbacks.
