Klasifikasi Spesies Jamur Beracun Agaricus Xanthodermus dan Amanita Muscaria Menggunakan Transfer Learning dengan Arsitektur MobileNetV2
DOI:
https://doi.org/10.52436/1.jpti.785Kata Kunci:
Agaricus Xanthodermus, Amanita Muscaria, Klasifikasi, MobileNetV2, Transfer LearningAbstrak
Jamur memiliki peran penting dalam keanekaragaman hayati, namun beberapa spesies seperti Agaricus xanthodermus dan Amanita muscaria bersifat beracun dan dapat menyebabkan risiko kesehatan serius jika dikonsumsi. Identifikasi jamur beracun secara akurat menjadi tantangan karena kemiripan morfologinya dengan spesies non-beracun. Penelitian ini mengusulkan model klasifikasi jamur beracun menggunakan metode transfer learning dengan arsitektur MobileNetV2, yang dikenal efisien dalam memproses data visual. Dataset terdiri dari 632 gambar, masing-masing 304 gambar untuk Agaricus xanthodermus dan 328 gambar untuk Amanita muscaria, yang diperoleh dari platform Kaggle dan dibagi menjadi 80% data latih dan 20% data validasi. Augmentasi data seperti rotation, shift, flipping, dan rescaling diterapkan untuk meningkatkan generalisasi model. Eksperimen dilakukan dengan menguji pengaruh jumlah epoch terhadap performa model, menggunakan rentang 10 hingga 100 epoch dengan interval 10. Hasil menunjukkan bahwa akurasi model meningkat seiring bertambahnya jumlah epoch, dengan performa optimal pada epoch ke-60. Pada epoch ini, akurasi validasi mencapai 99.21% dengan nilai loss validasi terendah sebesar 0,0447, menunjukkan bahwa model mampu mengklasifikasikan kedua spesies jamur secara akurat dan efisien. Selain itu, tren akurasi dan loss pada data pelatihan menunjukkan bahwa model mampu belajar secara stabil dan tidak mengalami overfitting, bahkan ketika menggunakan dataset yang relatif kecil. Penelitian ini berkontribusi pada pengembangan metode klasifikasi jamur beracun yang lebih akurat dan efisien, yang memiliki implikasi penting dalam kesehatan masyarakat dan konservasi keanekaragaman hayati.
Unduhan
Referensi
O. N. Putri, “Implementasi Metode CNN Dalam Klasifikasi Gambar Jamur Pada Analisis Image Processing (Studi Kasus: Gambar Jamur Dengan Genus Agaricus Dan Amanita),” Skripsi, pp. 1–80, 2020, [Online]. Available: http://dspace.uii.ac.id/123456789/23677
U. S. Rahmadhani and N. L. Marpaung, “Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN,” J. Inform. J. Pengemb. IT, vol. 8, no. 2, pp. 169–173, 2023, doi: 10.30591/jpit.v8i2.5229.
I. P. Ihsan and F. Yusuf, “Analisis Jamur Beracun Berdasarkan Ciri Menggunakan Algoritma AdaBoost,” in Prosiding Konferensi Ilmu Komputer Nasional 2013, 2013, pp. 1–6. [Online]. Available: https://www.researchgate.net/profile/Indah-Ihsan/publication/332440445_jurnal_KONIK_2013_Indah_Purwitasari_Ihsan/links/5cb5773692851c8d22ee1d06/jurnal-KONIK-2013-Indah-Purwitasari-Ihsan.pdf
I. P. Putra, “Kasus keracunan Inocybe sp. di Indonesia,” in Prosiding Seminar Nasional Biologi di Era Pandemi COVID-19, Prosiding Seminar Nasional Biologi, 2020, pp. 148–153. doi: https://doi.org/10.24252/psb.v6i1.15727.
Z. Salem-bango, T. K. Price, J. L. Chan, and O. B. G. andShangxin Y. Sukantha Chandrasekaran, “Fungal Whole-Genome Sequencing for Species Identification?: From Test Development to Clinical Utilization,” Jounal of Fungi, vol. 9, no. 2, 2023, doi: https://doi.org/10.3390/jof9020183.
I. S. Kasus, “Identifikasi Jamur Beracun Clitocybe sp . di Gresik ,” pp. 119–124, [Online]. Available: https://doi.org/10.22435/mpk.v31i2.4352
M. Gill and Richard J. Strauch, “Constituents of Agaricus xanthodermus Genevier: The First Naturally Endogenous Azo Compound and Toxic Phenolic Metabolites,” Nature, vol. 39, no. 11–12, p. 977, 1984, doi: https://doi.org/10.1515/znc-1984-11-1203.
D. Michelot and L. M. Melendez-Howell, “Amanita muscaria: Chemistry, biology, toxicology, and ethnomycology,” Mycol. Res., vol. 107, no. 2, pp. 131–146, 2003, doi: 10.1017/S0953756203007305.
A. D. L. Lima, R. C. Fortes, M. R. C. G. Novaes, and S. Percário, “Poisonous mushrooms?; a review of the most common intoxications,” Nutr. Hosp., vol. 27, no. 2, pp. 402–408, 2012, doi: 10.3305/nh.2012.27.2.5328.
P. W. Trail, “Forensic Science International?: Animals and Environments Morphological analysis?: A powerful tool in wildlife forensic biology,” Forensic Sci. Int. Anim. Environ., vol. 1, no. July, p. 100025, 2021, doi: 10.1016/j.fsiae.2021.100025.
D. Vu, M. Groenewald, and G. Verkley, “convolutional neural networks improve fungal classification,” Sci. Rep., pp. 1–12, 2020, doi: https://doi.org/10.1038/s41598-020-69245-y.
J. Knapheide, B. Stabernack, and M. Kuhnke, “A High Throughput MobileNetV2 FPGA implementation based on a Flexible Architecture for Depthwise Separable Convolution,” in 2020 30th International Conference on Field-Programmable Logic and Applications (FPL), IEEE (Intitute of Electrical and Electronics Engineers), 2020, pp. 277–283. doi: 10.1109/FPL50879.2020.00053.
S. A. Munoz, J. Park, C. M. Stewart, A. M. Martin, and J. D. Hedengren, “Deep Transfer Learning for Approximate Model Predictive Control,” Processes, vol. 11, no. 1, 2023, doi: 10.3390/pr11010197.
N. Pratama, Muhaza Liebenlito, and Yanne Irene, “PERBANDINGAN MODEL KLASIFIKASI TRANSFER LEARNING CONVOLUTIONAL NEURAL NETWORKTUMOR OTAKMENGGUNAKAN CITRA MAGNETIC RESONANCE IMAGING,” J. Sehat Indones., vol. 6, no. 1, 2024, doi: https://doi.org/10.59141/jsi.v6i01.81.
V. R. Joseph, A. Vakayil, V. R. Joseph, and A. Vakayil, “SPlit?: An Optimal Method for Data Splitting SPlit?: An Optimal Method for Data Splitting ABSTRACT,” Technometrics, vol. 64, no. 2, pp. 1–23, 2022, doi: 10.1080/00401706.2021.1921037.
C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 60, 2019, doi: 10.1186/s40537-019-0197-0.
K. Dong, C. Zhou, Y. Ruan, and Y. Li, “MobileNetV2 Model for Image Classification,” in Proceedings - 2020 2nd International Conference on Information Technology and Computer Application, ITCA 2020, 2020, pp. 476–480. doi: 10.1109/ITCA52113.2020.00106.
D. Hussain, M. Ismail, I. Hussain, R. Alroobaea, S. Hussain, and S. S. Ullah, “Face Mask Detection Using Deep Convolutional Neural Network and MobileNetV2-Based Transfer Learning,” Wirel. Commun. Mob. Comput., vol. 2022, 2022, doi: 10.1155/2022/1536318.
X. Jiang, B. Hu, S. Chandra Satapathy, S. H. Wang, and Y. D. Zhang, “Fingerspelling Identification for Chinese Sign Language via AlexNet-Based Transfer Learning and Adam Optimizer,” Sci. Program., vol. 2020, 2020, doi: 10.1155/2020/3291426.
S. Afaq and S. Rao, “Significance Of Epochs On Training A Neural Network,” Int. J. Sci. Technol. Res., vol. 9, no. 06, pp. 1–4, 2020, [Online]. Available: www.ijstr.org
A. Rusiecki, “Trimmed categorical cross-entropy for deep learning with label noise,” Electron. Lett., vol. 55, no. 6, pp. 319–320, 2019, doi: 10.1049/el.2018.7980.
