Implementasi algoritma Convolutional Neural Network untuk identifikasi objek

Sablye, Pondra Santosa (2024) Implementasi algoritma Convolutional Neural Network untuk identifikasi objek. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (156kB) | Preview
Preview	Text (ABSTRAK) 2_Abstrak.pdf Download (212kB) | Preview
Preview	Text (DAFTAR ISI) 3_Daftar Isi.pdf Download (197kB) | Preview
Preview	Text (BAB I) 4_BAB I.pdf Download (379kB) | Preview
	Text (BAB II) 5_BAB II.pdf Restricted to Registered users only Download (505kB)
	Text (BAB III) 6_BAB III.pdf Restricted to Registered users only Download (3MB)
	Text (BAB IV) 7_BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text (BAB V) 8_BAB V.pdf Restricted to Registered users only Download (189kB)
	Text (DAFTAR PUSTAKA) 9_Daftar Pustaka.pdf Restricted to Registered users only Download (195kB)

Abstract

Identifikasi objek berbasis citra telah menjadi salah satu teknologi yang berkembang pesat pada saat ini. Algoritma Convolutional Neural Network dikenal sebagai salah satu algoritma yang sangat efektif dalam memproses dan mengidentifikasi objek dari citra karena kemampuannya untuk mengekstraksi fitur-fitur penting secara otomatis. Pada penelitian ini, algoritma CNN diimplementasikan untuk melakukan identifikasi objek pada citra buah pisang yang memiliki banyak jenis dan mempunyai tingkat kemiripan visual yang tinggi. Sehingga hal ini yang menjadi dasar untuk menguji algoritma CNN dengan arsitektur ResNet-50 apakah mampu memberikan hasil akurat dalam mengenali ataupun mengidentifikasi jenis pisang dengan benar. Data yang digunakan pada penelitian ini terdiri dari 9 kelas, dataset diperoleh dari sumber data primer dan Kaggle. Teknik preprocessing data digunakan untuk meningkatkan kualitas dan kuantitas dataset sehingga model mempunyai kinerja yang optimal. Pengujian pada penelitian ini menggunakan variasi rasio pembagian data latih dan data uji, yaitu 60:40%, 70:30%, dan 80:20%. Setiap variasi rasio pembagian dilakukan pengujian sebanyak 4 kali dengan menggunakan nilai parameter diantaranya learning rate, batch size, dan epoch. Hasil evaluasi menggunakan confusion matrix menunjukan bahwa pengujian dengan kinerja terbaik diperoleh pada rasio pembagian dataset 80:20% dengan parameter learning rate sebesar 0,0001, batch size sebanyak 32, dan epoch sebanyak 80. Model menghasilkan tingkat akurasi sebesar, presisi, recall, dan f1-score sebesar 99,81%.

Actions (login required)

View Item