Implementasi Arsitektur EfficientNet Berbasis Convolutional Neural Network Pada Klasifikasi Gambar Nematoda

Abstract

Nematoda adalah mikroorganisme yang memiliki bentuk seperti cacing, dan berukuran sangat kecil yaitu antara 300 – 1000 mikron, dan memiliki panjang hanya sampai 4 mm dan lebar 15 – 35 mikron saja. Walau begitu, nematoda berpotensi merusak ekosistem karena sifat parasitnya, bahkan untuk manusia. Namun, nematoda juga dapat bermanfaat sebagai bioindikator untuk mengetahui kondisi suatu lingkungan. Karena ukurannya yang kecil dan hanya bisa diamati melalui bantuan mikroskop, dan karena nematoda merupakan spesies yang sangat beragam, membuat pengamatannya membutuhkan waktu yang tidak sedikit dan rentan akan human error. Penelitian ini kemudian menerapkan transfer learning yang mana melatih kembali model yang telah dilatih sebelumnya untuk kasus yang berbeda kepada kasus nematoda ini. Gambar nematoda yang digunakan dalam penelitian ini diambil dari dataset yang dibuat oleh Xuequan Lu, dkk pada tahun 2021. Model EfficientNet kemudian dipilih sebagai model latih yang digunakan pada penelitian ini karena peforma yang bagus dibanding dengan model latih yang lainnya. Hasil uji akurasi model-model yang dilatih nantinya akan didapatkan dengan menggunakan confusion matrix. Hasil dari penelitian ini menunjukkan bahwa EfficientNet-B4 memiliki akurasi terbaik yaitu 95.75%, kemudian disusul oleh EfficientNet-B5 sebesar 93.87%, Efficient-B3 sebesar 92.9%, EfficientNet-B1 sebesar 91.5%, EfficientNet-B2 sebesar 91%, EfficientNet-B0 sebesar 88.67%, EfficientNet-B7 sebesar 86%, dan yang terakhir EfficientNet-B6 sebesar 83%.