Web Service untuk Klasifikasi Landmark Menggunakan Convolutional Neural Network dan Kubernetes

Peneliti: Indra Prasetya Aji dan I Gede Putra Kusuma Negara

Penggunaan Deep Learning untuk proses klasifikasi gambar telah berkembang pesat, salah satunya pada metode yang disebut Convolutional Neural Network (CNN). Salah satu penggunaan metode CNN adalah untuk mengklasifikasikan gambar. Penelitian ini menggunakan metode CNN untuk melakukan klasifikasi pada dataset gambar yang memiliki kategori landmark. Dataset yang digunakan pada penelitian ini adalah Google Landmark Dataset dimana terdapat 100 kelas landmark yang berbeda.  Terdapat lima model CNN yang digunakan dalam penelitian ini, yaitu MobileNet-V1, MobileNet-V2, ResNet50, ResNet50-V2, dan VGG16. Selain itu setiap model juga menggunakan optimizer yang berdeda-beda seperti Adam, Nadam, Adagrad, Adamax, dan RMSProp.

Hasilnya menunjukkan bahwa model ResNet50 dengan optimasi Adamax memiliki tingkat akurasi dengan nilai tertinggi dibanding dengan lainnya yaitu 94,4% pada dataset validasi dan 95,67% pada dataset test. Sedangkan hasil akurasi terendah dimiliki oleh model VGG16 dengan optimasi RMSProp dimana model ini mendapatkan hasil sebesar 70,06% pada dataset validasi dan 72,39% pada dataset test.

Model yang sudah dilatih kemudian membuat sebuah fungsi klasifikasi yang nantinya dapat diakses melalui service untuk pengujian performa. Metode deployment terbaik perlu dilakukan agar penelitian ini menghasilkan sebuah service yang bisa digunakan oleh service lain dan dapat diimplementasikan pada resource lain agar fungsi klasifikasi dapat digunakan atau dikembangkan. Kami menunjukkan bahwa metode deployment kami memiliki hasil yang baik dilihat dari Model ResNet50 yang menggunakan 1200 pengguna bersamaan serta menggunakan pod autoscaling dengan minimum satu pod dan maksimum 6 pod yang memiliki nilai kesalahan 26,58%, lebih kecil dibandingkan dengan hasil terbaik dari menggunakan pod autoscaling dengan minimum satu pod dan maksimum 2 pod dengan nilai kesalahan sebesar 31,5%.

Hal lain yang perlu dipertimbangkan pada saat performance test dengan web service adalah kecepatan sebuah model dalam merespon suatu request pada service tersebut. Diantara semua model yang diuji dengan concurrent user sebanyak 1200, MobileNet-V1 memiliki kecepatan paling baik yakni sebesar 78,94 Kb/Sec pada autoscale dengan maksimum 2 pod, sedangkan pada autoscale dengan maksimum 6 pod kecepatan tertinggi terbaik diraih oleh ResNet50-V2 yakni sebesar 80,8 Kb/Sec.