Hyperparameter Model Arsitektur Resnet50 dalam Mengklasifikasi Larva Zophobas Mario dan Tenebrio Molitor

Abstract

Zophobas Morio dan Tenebrio Molitor merupakan larva yang populer sebagai bahan pakan yang banyak digunakan oleh pecinta hewan untuk pakan reptil, burung, dan unggas lainnya. Namun, kedua larva ini memiliki penampilan yang mirip tetapi kandungan nutrisinya jauh berbeda. Zophobas Morio lebih bergizi dan memiliki nilai ekonomi yang lebih tinggi dibandingkan dengan Tenebrio Molitor. Karena keterbatasan pengetahuan, banyak pecinta hewan yang kesulitan membedakan keduanya. Penelitian ini bertujuan untuk membangun konfigurasi model hyperparameter arsitektur ResNet50 terbaik yang mampu membedakan keduanya. Model dilatih menggunakan gambar yang diambil dari ponsel. Pelatihan dilakukan dengan menggunakan parameter Epoch, Batch Size dan Optimizer. Hasil percobaan pada dataset menunjukkan bahwa tingkat akurasi model hyperparameter arsitektur ResNet50 yang paling baik adalah pada Epoch 25, dengan Batch Size 32 dan Optimizer Adam dengan akurasi yang didapatkan sebesar 97% dimana waktu komputasi membutuhkan total waktu 66 menit. Konfigurasi hyperparameter Epoch 25, Batch Size 32 dan Optimizer Adam adalah hyperparameter yang paling optimal dalam klasifikasi larva Zophobas Morio dan Tenebrio Molitor. Zophobas Morio and Tenebrio Molitor are popular larvae as feed ingredients which are widely used by animal lovers to feed reptiles, birds and other poultry. However, these two larvae have a similar appearance but much different nutritional content. Zophobas Morio is more nutritious and has a higher economic value compared to Tenebrio Molitor. Due to limited knowledge, many animal lovers have difficulty distinguishing between the two. This study aims to build the best configuration of the ResNet50 architecture hyperparameter model that is able to distinguish between the two. The model is trained using images taken from mobile phones. Training is carried out using the Epoch, Batch Size and Optimizer parameters. The experimental results on the dataset show that the best level of accuracy for the ResNet50 architectural hyperparameter model is at Epoch 25, with Batch Size 32 and Optimizer Adam with an accuracy of 97% where the computing time requires a total of 66 minutes. Epoch 25, Batch Size 32 and Optimizer Adam hyperparameter configurations are the most optimal hyperparameters in the classification of Zophobas Morio and Tenebrio Molitor larvae.