Klasifikasi Batu Permata Berdasarkan Gambar dengan CNN
Keywords:
Batu Permata, Convolutional Neural Network (CNN), Klasifikasi Citra, Deep Learning, Overfitting, Data AugmentationAbstract
Identifikasi batu permata masih banyak dilakukan secara manual oleh ahli gemologi dengan kelemahan subjektivitas dan potensi kesalahan. Penelitian ini mengimplementasikan Convolutional Neural Network (CNN) untuk membangun sistem klasifikasi otomatis berbasis citra digital batu permata. Dataset yang digunakan terdiri dari tiga kelas, yaitu Alexandrite, Almandine, dan Amazonite, dengan jumlah data yang relatif terbatas. Tahapan penelitian meliputi preprocessing citra (resize menjadi 100×100 piksel, normalisasi), augmentasi data (rotasi, flipping, zooming, shifting), serta pembangunan model CNN sequential dengan tiga lapisan konvolusi, batch normalization, max pooling, dropout, dan lapisan fully connected. Model dilatih menggunakan optimizer Adam dengan fungsi loss categorical crossentropy. Hasil penelitian menunjukkan bahwa model mencapai akurasi training akhir sebesar 100,00% dengan loss training 0,0217, namun akurasi validasi hanya 33,33% dengan loss validasi 4,3854, mengindikasikan terjadinya overfitting. Analisis confusion matrix menunjukkan bahwa model memiliki performa terbaik pada kelas Alexandrite, sedangkan kelas Almandine dan Amazonite sering mengalami misklasifikasi. Faktor utama overfitting adalah jumlah dataset yang terbatas dan kompleksitas arsitektur CNN yang tinggi. Disimpulkan bahwa CNN berhasil mempelajari pola visual data training dengan sangat baik, namun memerlukan peningkatan kuantitas dan variasi data untuk kemampuan generalisasi yang optimal. Saran untuk penelitian selanjutnya adalah penambahan dataset, penerapan transfer learning, dan penyesuaian kompleksitas model.
References
Chen, X., et al. (2024). Overfitting in small dataset CNN training: Causes and mitigation. IEEE Access.
Chow, L. S., & Reyes-Aldasoro, C. C. (2022). Gemstone classification using convolutional neural networks. Journal of Gemology.
Firmansyah, A., Itsnan, A. F., Apip, A., Mullia, R. T., & Rosyani, P. (2023). Sistem absensi mahasiswa menggunakan face recognition dengan algoritma convolutional neural network. AI dan SPK: Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan, 1(4).
Goodfellow, I., Bengio, Y., & Courville, A. (2020). Deep learning. MIT Press.
Ikasari, I. H., Rosyani, P., & Amalia, R. (2025). Klasifikasi jenis buah menggunakan metode convolutional neural network. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(2), 5451–5458.
Maulana, I., Umam, K., Rizgiandy Saputra, A., Al Amin, H., & Rosyani, P. (2023). Teknologi berbasis kecerdasan buatan pada aplikasi Grab penumpang maupun driver menggunakan metode Forward Chaining. BINER: Jurnal Ilmu Komputer, Teknik dan Multimedia, 1(3), 505–509.
Prasetia, O., Machfud, S., Rosyani, P., & Agustian, B. (2025). Klasifikasi gender berbasis citra wajah menggunakan clustering dan deep learning. Bulletin of Computer Science Research, 5(4), 770–777.
Prasetyo, H. D., Syhabudin, W., Nuryana, A., Yunarsih, I., & Rosyani, P. (2022). Implementasi kecerdasan buatan dengan logika fuzzy pada aspek pendidikan dalam menentukan prestasi belajar siswa. Jurnal Manajemen, Ekonomi, Hukum, Kewirausahaan, Kesehatan, Pendidikan dan Informatika (MANEKIN), 1(1), 20–23.
Saprudin, S., Amalia, R., & Rosyani, P. (2021). Klasifikasi citra menggunakan metode random forest dan sequential minimal optimization (SMO). JUSTIN (Jurnal Sistem dan Teknologi Informasi), 9(2).
Shorten, C., & Khoshgoftaar, T. M. (2020). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 60.
Wang, H., et al. (2021). Bag of tricks for image classification with CNNs. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.
Zhang, C., Bengio, S., Hardt, M., Recht, B., & Vinyals, O. (2021). Understanding deep learning requires rethinking generalization. Communications of the ACM, 64(3), 107–115.
