Augmentasi pada Arsitektur Ghostnet untuk klasifikasi citra Produk Grocery Store Dataset

Perkembangan teknologi deep learning telah mendorong peningkatan kinerja sistem klasifikasi citra, termasuk dalam pengenalan produk ritel yang memiliki tingkat kemiripan visual tinggi. Salah satu arsitektur Convolutional Neural Network (CNN) ringan yang menjanjikan adalah GhostNet, yang dirancang untuk menghasilkan representasi fitur yang kaya dengan komputasi yang efisien. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa GhostNet dalam mengklasifikasikan Grocery Store Dataset yang terdiri dari 81 kelas fine-grained. Metode yang digunakan meliputi n-fold cross validation dengan nilai n sebesar 5 dan 7, pengaturan jumlah epoch hingga 30, serta penerapan teknik augmentasi data untuk meningkatkan kemampuan generalisasi model. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa GhostNet mampu memberikan performa yang kompetitif dan melampaui model baseline DenseNet-169. Konfigurasi terbaik diperoleh pada skenario dengan augmentasi data, 7-fold cross validation, dan 30 epoch, dengan akurasi tertinggi sebesar 86,899%, presisi 87,930%, recall 86,899%, dan F1-score 86,813%. Hasil ini menunjukkan bahwa GhostNet efektif dalam menangani klasifikasi citra produk ritel dengan kompleksitas tinggi, serta memiliki potensi besar untuk diterapkan pada sistem identifikasi produk ritel yang efisien dan ringan.