Komparasi Arsitektur Convolutional Neural Network (Cnn) Untuk Klasifikasi Citra Pada Bunga Matahari

INDAH DWI FEBRIANI, . (2025) Komparasi Arsitektur Convolutional Neural Network (Cnn) Untuk Klasifikasi Citra Pada Bunga Matahari. Other thesis, Universitas Pamulang.

	Text FILE COVER.pdf Restricted to Registered users only Download (941kB)
	Text BAB I.pdf Restricted to Registered users only Download (242kB)
	Text BAB II.pdf Restricted to Registered users only Download (847kB)
	Text BAB III.pdf Restricted to Registered users only Download (1MB)
	Text BAB IV.pdf Restricted to Registered users only Download (209kB)
	Text BAB V.pdf Restricted to Registered users only Download (50kB)
	Text Jurnal.pdf Restricted to Registered users only Download (670kB)

Abstract

Penelitian ini bertujuan untuk membandingkan beberapa arsitektur Convolutional Neural Network (CNN) dalam mengklasifikasikan citra bunga matahari, yang mencakup empat spesies bunga matahari: Helianthus annuus, Helianthus debilis, Teddy Bear, dan Bunga Matahari Merah. Lima model CNN yang populer, yaitu ResNet50, VGG16, InceptionV3, NASNet, dan MobileNetV2, dianalisis berdasarkan kinerja mereka dalam hal akurasi, validasi, dan durasi pelatihan. Dataset yang digunakan terdiri dari citra bunga matahari yang diambil dari berbagai sudut dan kondisi pencahayaan untuk keempat spesies bunga matahari tersebut. Hasil eksperimen menunjukkan bahwa ResNet50 memberikan performa terbaik dengan akurasi validasi sebesar 91,66% dan Loss validasi terendah (0,14), meskipun membutuhkan waktu pelatihan yang lebih lama (60 menit, 42 detik). Sementara itu, InceptionV3 menunjukkan akurasi validasi yang tinggi (95%), namun dengan Loss validasi lebih tinggi, yang mengindikasikan adanya potensi keterbatasan dalam generalisasi dibandingkan dengan ResNet50. MobileNetV2 dan NASNet menunjukkan kinerja yang relatif lebih rendah dalam hal akurasi dan Loss validasi, dengan MobileNetV2 memiliki akurasi validasi yang sangat rendah (25%). Berdasarkan temuan ini, dapat disimpulkan bahwa ResNet50 adalah model terbaik untuk klasifikasi citra bunga matahari dalam penelitian ini, dengan keseimbangan yang baik antara akurasi tinggi dan Loss rendah. Penelitian ini juga memberikan saran untuk penelitian selanjutnya, seperti eksplorasi model lain, pengembangan dataset, dan optimasi durasi pelatihan untuk aplikasi dunia nyata.

Item Type:	Thesis (Other)
Subjects:	T Technology > T Technology (General)
Depositing User:	Jejen Juanda
Date Deposited:	12 Sep 2025 08:46
Last Modified:	12 Sep 2025 08:46
URI:	http://repository.unpam.ac.id/id/eprint/17392

Actions (login required)

View Item