AIRAAIRA

Bigint Computing JournalBigint Computing Journal

Label makanan kemasan mungkin mengandung istilah bahan baku teknis dan multilingual yang mempersulit penyaringan awal untuk bahan non-halal yang berasal dari babi. Studi ini mengembangkan pipeline berbasis web yang mengintegrasikan pengenalan karakter optik (OCR), terjemahan otomatis, dan klasifikasi teks Long Short-Term Memory (LSTM). Dataset publik yang terdiri dari 528.092 catatan bahan baku terlabel, termasuk 291.920 catatan halal dan 236.172 catatan non-halal yang terkait babi, digunakan untuk pengembangan model. Setelah normalisasi teks, tokenisasi, dan padding urutan, data dibagi menjadi subset pelatihan, validasi, dan pengujian dengan rasio 80:10:10. Set pengujian akhir berisi 52.810 catatan. Matriks kebingungan berisi 29.182 negatif benar, 12 positif palsu, 41 negatif palsu, dan 23.575 positif benar, yang sesuai dengan akurasi 99,90%, presisi 99,95%, recall 99,83%, dan skor F1 99,89%. Implementasi web menerima gambar label, mengekstrak teks, menerjemahkan konten non-Inggris, dan menerapkan klasifikasi yang dilatih. Metrik yang dilaporkan mengevaluasi klasifikasi teks daripada pipeline OCR-ke-klasifikasi secara keseluruhan; oleh karena itu, sistem harus dianggap sebagai alat penyaringan awal dan bukan sebagai pengganti sertifikasi halal formal.

Studi ini mengembangkan pipeline berbasis web yang mengintegrasikan OCR, terjemahan otomatis, dan klasifikasi LSTM untuk penyaringan awal bahan non-halal yang berasal dari babi pada label makanan.092 catatan bahan baku terlabel dan dievaluasi pada set pengujian 52.182 negatif benar, 12 positif palsu, 41 negatif palsu, dan 23.575 positif benar, yang sesuai dengan akurasi 99,90%, presisi 99,95%, recall 99,83%, dan skor F1 99,89%.Kontribusi praktis adalah integrasi input berbasis gambar dan klasifikasi teks dalam satu antarmuka web.Namun, metrik yang dilaporkan menggambarkan klasifikasi teks daripada akurasi OCR-ke-keputusan secara keseluruhan, dan label sumber tidak diverifikasi ulang secara independen.Sistem juga terbatas pada bahan non-halal yang terkait babi dan tidak boleh ditafsirkan sebagai pengganti sertifikasi halal formal.Validasi tingkat produk eksternal, pemisahan data yang digabungkan atau diduplikasi, kategori bahan yang lebih luas, dan evaluasi kuantitatif OCR dan terjemahan diperlukan sebelum penggunaan yang lebih tinggi.

Untuk penelitian lanjutan, disarankan untuk melakukan validasi tingkat produk eksternal menggunakan dataset yang lebih luas dan realistis. Pemisahan data yang digabungkan atau diduplikasi sebelum pelatihan model dapat meningkatkan generalisasi model. Selain itu, perluasan kategori bahan yang lebih luas, termasuk bahan non-halal atau bahan yang diragukan, dan evaluasi terhadap standar halal yang otoritatif dapat meningkatkan cakupan dan akurasi sistem. Akhirnya, evaluasi kuantitatif tahap-tahap OCR, terjemahan, dan klasifikasi secara terpisah akan memberikan pemahaman yang lebih baik tentang kinerja sistem secara keseluruhan.

  1. 0. loading direct.mit.edu/neco/article/9/8/1735-1780/61090 loading direct mit edu neco article 9 8 1735 1780 6109
Read online
File size297.23 KB
Pages5
DMCAReport

Related /

ads-block-test