Abstract:
Bahan masakan memiliki peran sentral dalam menciptakan resep-resep yang lezat dan memikat lidah. Resep-resep lezat tidak hanya mengandalkan teknik memasak yang tepat, tetapi juga me manfaatkan keanekaragaman bahan masakan sebagai elemen kunci. Sehingga dengan banyaknya ragam bahan masakan dan juga resep yang ada di sekitar akan mempersulit untuk mencari resep makanan yang sesuai dengan bahan-bahan yang ada di dapur. Terutama bagi mereka yang ingin memasak dengan bahan yang sudah tersedia, menemukan resep yang cocok bisa menjadi tugas yang membingungkan. Kesulitan ini dapat menghasilkan masakan yang tidak sesuai dengan harapan atau bahkan pemborosan bahan masakan yang tidak digunakan. Untuk mengatasi masalah pengenalan citra dengan cepat dan praktis, kemajuan teknologi dalam pemahaman deep learning menjadi solusi yang efektif. Deep learning, sebuah bidang dalam machine learning, menggunakan arsitektur jaringan saraf tiruan (neural network) untuk mengekstraksi dan memahami pola data yang kompleks. Salah satu arsitektur deep learning yang paling populer untuk menangani masalah pengenalan citra adalah Convolutional Neural Network (CNN). CNN dirancang khusus untuk memproses data grid seperti citra, memungkin kannya mengenali fitur-fitur penting dalam gambar secara efisien. Untuk lebih meningkatkan performa CNN dalam tugas pengenalan citra, berbagai teknik augmentasi citra seperti crop, rotation, penskalaan, flip, brightness, dan kontras digunakan. Teknik-teknik ini membantu dalam menghasilkan variasi data pelatihan yang lebih kaya, sehingga dapat meningkatkan performa model Dalam penelitian ini digunakan citra sebanyak 5.977 untuk data pelatihan yang digunakan untuk melatih model machine learning dan validasi yang digunakan untuk menguji model selama proses pelatihan yang terdapat 28 kelas, dengan rasio pelatihan dan validasi adalah 80 banding 20. Pada penelitian ini menggunakan dua arsitektur yaitu VGG-16 dan AlexNet, lalu kedua arsitektur mengimplementasi data augmentasi dan data non-augmentasi. Arsitektur VGG-16 dengan model augmentasi memiliki hasil evaluasi terbaik dengan loss 0,20, akurasi 0,93 dibandingkan dengan model non-augmentasi. Arsitektur AlexNet dengan model augmentasi memiliki hasil evaluasi terbaik dengan loss 0,24, akurasi 0,92 dibandingkan dengan model non-augmentasi. Berdasarkan data di atas, baik pada arsitektur VGG-16 maupun AlexNet, penggunaan augmentasi menghasilkan model yang lebih baik dibandingkan model non-augmentasi.
