Analisis Performa Berbagai Arsitektur Convolutional Neural Network (CNN) terhadap Ketepatan Deteksi Cacat pada Kemasan Snack Box

Abstract

Kemasan produk bertujuan untuk menjaga integritas dan kualitas produk, memperpanjang masa simpan produk, memberikan indikasi bahwa produk masih dalam kondisi baik. Penelitian ini mengaplikasikan metode Convolutional Neural Network (CNN) untuk klasifikasi dan pengenalan kemasan snack box, dengan 2 kategori output yakni defect atau perfect. Dalam penelitian ini, dilakukan perancangan serta perbandingan berbagai arsitektur CNN yang meliputi Inception-V4, VGGNet-19, EfficientNet B7, ResNet-101, dan NASNet. Penelitian ini bertujuan untuk mengidentifikasi arsitektur yang paling optimal dalam mengenali jenis cacat produk, dan menghasilkan model terbaik yang mampu mendeteksi cacat kemasan dengan tingkat akurasi yang optimal. Berdasarkan hasil parameter training dan confusion matriks, arsitektur paling optimal dalam pembelajaran model yakni VGGNet-19, EfficientNet-B7, ResNet-101, NASNet dengan akurasi pada setiap parameter mencapai 100%. Namun jika ditinjau berdasarkan testing, model CNN yang paling optimal dalam klasifikasi produk snack box adalah arsitektur EfficientNet-B7. Arsitektur EfficientNet-B7 menghasilkan akurasi yang lebih tinggi dibandingkan dengan arsitektur lain, dengan tingkat akurasi mencapai 98,34%.