Hybrid Convolutional Neural Network dan Learning Vector Quantization Pada Klasifikasi Tempe Goreng Organik dan Non-Organik

Sri Bintang Muksin; Supatman

doi:10.58794/jekin.v6i3.2232

Authors

Sri Bintang Muksin Universitas Mercu Buana Yogyakarta
Supatman Universitas Mercu Buana Yogyakarta

DOI:

https://doi.org/10.58794/jekin.v6i3.2232

Keywords:

Tempe Goreng Organik, Tempe Goreng Non-Organik, CNN, LVQ, Computer Vision

Abstract

Tempe merupakan makanan fermentasi berbahan dasar kedelai yang banyak dikonsumsi masyarakat Indonesia. Berdasarkan bahan bakunya, tempe umumnya dibedakan menjadi tempe organik yang menggunakan kedelai lokal non-GMO dan tempe non-organik yang berasal dari kedelai impor GMO. Kedua jenis tempe goreng tersebut, yaitu tempe goreng organik dan non-organik, memiliki kemiripan tampilan yang relatif tinggi sehingga proses identifikasi secara manual cukup sulit dilakukan. Penelitian ini mengusulkan sistem klasifikasi citra untuk membedakan tempe goreng organik dan tempe goreng non-organik menggunakan metode hybrid Convolutional Neural Network (CNN) dan Learning Vector Quantization (LVQ). CNN digunakan untuk mengekstraksi ciri citra tempe goreng organik dan non-organik, sedangkan LVQ dimanfaatkan sebagai metode klasifikasi. Dataset penelitian terdiri dari 380 citra tempe goreng, yaitu 190 citra tempe goreng organik dan 190 citra tempe goreng non-organik. Pembagian data dilakukan dengan proporsi 80% data latih dan 20% data uji. Berdasarkan hasil pengujian, metode yang diusulkan memperoleh nilai akurasi sebesar 85,53% dengan precision, recall, dan F1-score masing-masing sebesar 0,8575, 0,8553, dan 0,8550. Hasil penelitian menunjukkan bahwa metode hybrid CNN-LVQ mampu digunakan secara efektif untuk proses klasifikasi citra tempe goreng. Dibandingkan dengan penelitian sebelumnya yang menerapkan CNN secara mandiri untuk klasifikasi tempe, penelitian ini menunjukkan bahwa kombinasi CNN sebagai ekstraktor fitur dan LVQ sebagai pengklasifikasi merupakan pendekatan alternatif yang efektif untuk klasifikasi citra tempe goreng organik dan non-organik.

Views

0 kali

Downloads

0 kali

Downloads

Download data is not yet available.

References

[1] I. M. K. Karo, J. A. K. Karo, Yunianto, Hariyanto, and M. Falah, “Klasifikasi Mutu Fisik Tempe Menggunakan Metode Convolutional Neural Network (CNN),” STRING (Satuan Tulisan Riset dan Inovasi Teknologi), vol. 8, no. 2, pp. 209–216, Dec. 2023.

[2] J. Kim, D. Lee, and S. Kwon, “Food Classification and Meal Intake Amount Estimation through Deep Learning,” Applied Sciences, vol. 13, no. 9, p. 5742, 2023, doi: 10.3390/app13095742.

[3] A. Chaitanya, J. Shetty, and P. Chiplunkar, “Food Image Classification and Data Extraction Using Convolutional Neural Network and Web Crawlers,” Procedia Computer Science, vol. 218, pp. 143–152, 2023, doi: 10.1016/j.procs.2022.12.410.

[4] A. Karmakar, A. Pal, G. A. Kumar, Bhavika, V. Anand, and M. Tyagi, “Neutron-Gamma Pulse Shape Discrimination for Organic Scintillation Detector using 2D CNN based Image Classification,” arXiv preprint arXiv:2306.09356, 2023.

[5] E. Zidni and M. Akbar, “Klasifikasi Citra Makanan Khas Kota Pasuruan menggunakan Convolutional Neural Network,” Informatics and Artificial Intelligence Journal, vol. 1, no. 2, 2024.

[6] K. Ozhikenov, Z. Alimbayeva, C. Alimbayev, A. Ozhikenova, and Y. Altay, “Neural Network Algorithm Based on LVQ for Myocardial Infarction Detection and Localization Using Multi-Lead ECG Data,” Computers, Materials and Continua, vol. 82, no. 3, pp. 5257–5284, 2025, doi: 10.32604/cmc.2025.061508.

[7] M. Nilashi et al., “Electroencephalography (EEG) Eye State Classification Using Learning Vector Quantization and Bagged Trees,” Heliyon, vol. 9, p. e15258, 2023, doi: 10.1016/j.heliyon.2023.e15258.

[8] P. Radocaj, D. Radocaj, and G. Martinovic, “Image-Based Leaf Disease Recognition Using Transfer Deep Learning with a Novel Versatile Optimization Module,” Big Data and Cognitive Computing, vol. 8, no. 6, p. 52, 2024, doi: 10.3390/bdcc8060052.

[9] C. Chen et al., “Improving Fine-Grained Food Classification Using Deep Residual Learning and Selective State Space Models,” PLOS One, vol. 20, no. 5, p. e0322695, 2025, doi: 10.1371/journal.pone.0322695.

[10] P. D. Rinanda, D. N. Aini, T. A. Pertiwi, Suryani, and A. J. Prakash, “Implementation of Convolutional Neural Network (CNN) for Image Classification of Leaf Disease in Mango Plants Using Deep Learning Approach,” Public Research Journal of Engineering, Data Technology and Computer Science, vol. 1, no. 2, pp. 55–61, Jan. 2024, doi: 10.57152/predatecs.v1i2.872.

[11] E. Kanakala and S. Ningappa, “Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models,” Journal of Innovative Image Processing, vol. 7, no. 1, pp. 161–181, 2025, doi: 10.36548/jiip.2025.1.008.

[12] Z. Zhu and Y. Dai, “A New CNN-Based Single-Ingredient Classification Model and Its Application in Food Image Segmentation,” Journal of Imaging, vol. 9, no. 10, p. 205, 2023, doi: 10.3390/jimaging9100205.

[13] A. Matikas, G. Stathopoulos, and P. Papadopoulos, “MedGRFood: A New Dataset and Deep Learning Approach for Mediterranean Greek Food Recognition,” IEEE Access, 2023, doi: 10.1109/ACCESS.2023.0429.