Penggunaan Model Pre-trained Convolutional Neural Network untuk Klasifikasi Makanan Seafood

Abstrak

Alergi terhadap seafood seperti udang, kepiting, kerang-kerangan, dan ikan merupakan pemicu umum reaksi alergi yang dapat menimbulkan risiko kesehatan yang serius. Untuk mengatasi tantangan dalam mengidentifikasi makanan yang mengandung alergen, penelitian ini mengembangkan sistem klasifikasi gambar berbasis Jaringan Saraf Konvolusional (CNN) dengan menggunakan arsitektur MobileNetV2 dan EfficientNetV2-S. Data dikumpulkan melalui web scraping dan diproses terlebih dahulu dengan cara mengubah ukuran, normalisasi, dan augmentasi. Model-model tersebut dilatih menggunakan bobot yang telah dilatih sebelumnya dengan hiperparameter yang disesuaikan secara manual, termasuk strategi dropout, regularisasi, dan fine-tuning. Evaluasi dilakukan menggunakan akurasi, presisi, recall, dan F1-Score. Model dengan kinerja terbaik, EfficientNetV2-S, mencapai akurasi 97,5%, presisi 97,59%, recall 97,5%, dan F1-Score 97,5%, serta menunjukkan stabilitas yang lebih baik dalam menghindari overfitting dibandingkan dengan MobileNetV2. Hiperparameter optimal meliputi tingkat dropout sebesar 0,5, nilai regularisasi L1 dan L2 masing-masing sebesar 0,01, ukuran batch sebesar 32, serta lapisan yang dibekukan. Model yang telah dilatih dikonversi ke format TensorFlow Lite dan diintegrasikan ke dalam aplikasi seluler FoodLergic. Pengujian akhir pada gambar baru dan melalui antarmuka seluler menunjukkan prediksi yang konsisten dan akurat. Temuan ini menunjukkan bahwa sistem ini layak sebagai solusi awal untuk mendeteksi alergen makanan melalui gambar pada perangkat seluler.