KLASIFIKASI CITRA PLANKTON DENGAN ALGORITMA HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN EXTREME LEARNING MACHINE
DOI:
https://doi.org/10.23960/jitet.v12i3S1.5219Abstract Views: 412 File Views: 364
Abstract
Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi plankton secara otomatis dengan pendekatan hibrida CNN-ELM. Menggunakan Convolutional Neural Network (CNN) untuk ekstraksi fitur dan Extreme Learning Machine (ELM) sebagai pengklasifikasi, model ini dirancang untuk mengatasi tantangan citra plankton yang buram, dataset kecil, dan ketidakseimbangan kelas. SMOTE digunakan untuk menangani ketidakseimbangan data. Dari implementasi SMOTE dengan metode interpolasi, permasalahan ketidakseimbangan kelas berhasil diatasi dengan menjadikan jumlah data latih sama rata untuk setiap kelas. Dari hasil pengujian, konfigurasi dengan 32 filter dan 2000 hidden node serta 64 filter dan 2000 hidden node memberikan performa terbaik dengan akurasi 97,78%. Sebaliknya, model dengan 64 filter dan 4000 hidden node menunjukkan performa terendah dengan akurasi 82,78% yang diakibatkan overfitting. Analisis confusion matrix mengungkapkan kinerja tinggi pada beberapa kelas plankton, namun masih kesalahan klasifikasi sering terjadi pada kelas seperti Alexandrium, Noctiluca, dan Nitzschia. Temuan ini menunjukkan bahwa konfigurasi dengan filter dan node yang lebih kompleks tidak selalu menghasilkan kinerja lebih baik. Penelitian ini diharapkan dapat mendukung pengambilan keputusan di bidang kelautan.
Downloads
References
A. C. Duxbury dan C. Cenedese, “Ocean | Definition, Distribution, Map, Formation, & Facts | Britannica.” Diakses: 4 Maret 2024. [Daring]. Tersedia pada: https://www.britannica.com/science/ocean
D. Dzikrina, M. Rahman, A. R. M. Akbar, dan R. Yunita, “KEANEKARAGAMAN PLANKTON DAN HUBUNGANNYA DENGAN KUALITAS AIR SUNGAI SEKITAR PABRIK KELAPA SAWIT (STUDI KASUS DI ASAM-ASAM, JORONG KABUPATEN TANAH LAUT),” EnviroScienteae, vol. 19, no. 4, Art. no. 4, Nov 2023, doi: 10.20527/es.v19i4.17784.
S. Sunagawa dkk., “Tara Oceans: towards global ocean ecosystems biology,” Nat. Rev. Microbiol., vol. 18, no. 8, hlm. 428–445, Agu 2020, doi: 10.1038/s41579-020-0364-5.
G. Gorsky dkk., “Digital zooplankton image analysis using the ZooScan integrated system,” J. Plankton Res., vol. 32, no. 3, hlm. 285–303, Mar 2010, doi: 10.1093/plankt/fbp124.
A. Lumini dan L. Nanni, “Ocean Ecosystems Plankton Classification,” dalam Recent Advances in Computer Vision: Theories and Applications, M. Hassaballah dan K. M. Hosny, Ed., dalam Studies in Computational Intelligence. , Cham: Springer International Publishing, 2019, hlm. 261–280. doi: 10.1007/978-3-030-03000-1_11.
J. Sharma, O.-C. Granmo, dan M. Goodwin, “Deep CNN-ELM Hybrid Models for Fire Detection in Images,” dalam Artificial Neural Networks and Machine Learning – ICANN 2018, V. Kůrková, Y. Manolopoulos, B. Hammer, L. Iliadis, dan I. Maglogiannis, Ed., dalam Lecture Notes in Computer Science. Cham: Springer International Publishing, 2018, hlm. 245–259. doi: 10.1007/978-3-030-01424-7_25.
D. Elreedy, A. F. Atiya, dan F. Kamalov, “A theoretical distribution analysis of synthetic minority oversampling technique (SMOTE) for imbalanced learning,” Mach. Learn., Jan 2023, doi: 10.1007/s10994-022-06296-4.
D. Bhatt dkk., “CNN Variants for Computer Vision: History, Architecture, Application, Challenges and Future Scope,” Electronics, vol. 10, no. 20, Art. no. 20, Jan 2021, doi: 10.3390/electronics10202470.
G.-B. Huang, Q.-Y. Zhu, dan C.-K. Siew, “Extreme learning machine: Theory and applications,” Neurocomputing, vol. 70, no. 1, hlm. 489–501, Des 2006, doi: 10.1016/j.neucom.2005.12.126.
N. V. Chawla, K. W. Bowyer, L. O. Hall, dan W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” J. Artif. Intell. Res., vol. 16, hlm. 321–357, Jun 2002, doi: 10.1613/jair.953.
A. Junaidi, C.-H. Lin, Y.-H. Tseng, L.-H. Chang, dan S.-C. Peng, “Gradient-Based Adaptive Image Super Resolution,” dalam IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, Jul 2019, hlm. 2774–2777. doi: 10.1109/IGARSS.2019.8900578.
A. F. B. Sajiwo, B. Rahmat, dan A. Junaidi, “KLASIFIKASI INDEKS STANDAR PENCEMARAN UDARAN (ISPU) MENGGUNAKAN ALGORITMA XGBOOST DENGAN TEKNIK IMBALANCED DATA (SMOTE),” J. Inform. Dan Tek. Elektro Terap., vol. 12, no. 3, Art. no. 3, Agu 2024, doi: 10.23960/jitet.v12i3.4699.
E. C. Orenstein, O. Beijbom, E. E. Peacock, dan H. M. Sosik, “WHOI-Plankton- A Large Scale Fine Grained Visual Recognition Benchmark Dataset for Plankton Classification,” 2 Oktober 2015, arXiv: arXiv:1510.00745. doi: 10.48550/arXiv.1510.00745.
H. Bichri, A. Chergui, dan M. Hain, “Investigating the Impact of Train / Test Split Ratio on the Performance of Pre-Trained Models with Custom Datasets. | International Journal of Advanced Computer Science & Applications | EBSCOhost.” Diakses: 14 Agustus 2024. [Daring]. Tersedia pada: https://openurl.ebsco.com/contentitem/doi:10.14569%2Fijacsa.2024.0150235?sid=ebsco:plink:crawler&id=ebsco:doi:10.14569%2Fijacsa.2024.0150235
