Studi komparatif kinerja Arsitektur Resnet 34 dan 50 menggunakan metode Transfer Learning

Saputra, Danny Suggi (2026) Studi komparatif kinerja Arsitektur Resnet 34 dan 50 menggunakan metode Transfer Learning. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (252kB) | Preview
Preview	Text 2_abstrak.pdf Download (205kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (396kB) | Preview
Preview	Text 4_daftarisi.pdf Download (290kB) | Preview
Preview	Text 5_bab1.pdf Download (269kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (481kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (544kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (206kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (214kB) | Request a copy

Abstract

Pemilihan arsitektur deep learning pada klasifikasi citra perlu mempertimbangkan performa, efisiensi komputasi, dan kelayakan implementasi. Penelitian ini bertujuan membandingkan kinerja ResNet-34 dan ResNet-50 menggunakan pendekatan transfer learning, dengan klasifikasi citra makanan lokal Indonesia sebagai studi kasus. Studi kasus ini dipilih karena memiliki variasi visual yang tinggi, kemiripan antar kelas, serta perbedaan pencahayaan, sudut pengambilan gambar, dan bentuk penyajian. Penelitian ini menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM), mulai dari business understanding hingga deployment. Dataset terdiri atas 10 kelas citra makanan Indonesia dari beberapa sumber publik. Data diproses melalui cleaning, standardisasi label, augmentasi untuk balancing, serta grouped stratified split untuk mencegah data leakage. Empat model diuji, yaitu ResNet-34 baseline, ResNet-34 fine-tune, ResNet-50 baseline, dan ResNet-50 fine-tune. Hasil penelitian menunjukkan bahwa ResNet-50 fine-tune menjadi model terbaik pada clean benchmark dengan accuracy 0,8300, macro F1-score 0,8308, dan weighted F1-score 0,8296. Model ini juga menunjukkan performa yang kuat pada evaluasi robustness dan skenario long-tail berat. Pada tahap deployment, post-training quantization memberikan efisiensi terbaik dari sisi ukuran model dan latensi CPU, tetapi menurunkan performa klasifikasi. Sementara itu, structured pruning layer4 10% menjadi konfigurasi pruning paling stabil, meskipun belum mengurangi ukuran checkpoint karena implementasinya masih berbasis mask. Dengan demikian, ResNet-50 fine-tune menjadi arsitektur terbaik dari sisi performa, sedangkan optimasi deployment perlu disesuaikan dengan prioritas antara akurasi, ukuran model, dan latensi inferensi

Actions (login required)

View Item