2.png)
ANALISIS PERBANDINGAN ARSITEKTUR CNN DAN FUNGSI AKTIVASI UNTUK KLASIFIKASI GAMBAR KEPALA CHARGER HITAM-PUTIH
Sari
Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur jaringan saraf konvolusional (CNN), yaitu VGG16 dan ResNet50, dalam tugas klasifikasi gambar kepala charger hitam-putih. Penelitian ini juga mengevaluasi pengaruh empat fungsi aktivasi utama (ReLU, Leaky ReLU, Sigmoid, dan Tanh) terhadap performa model. Dataset yang digunakan terdiri dari 100 gambar, masing-masing 50 gambar kepala charger hitam dan putih, dengan resolusi 224x224 piksel. Pembagian data dilakukan dengan rasio 80:20 untuk pelatihan dan validasi, sementara model dilatih selama 15 epoch menggunakan optimizer Adam dengan loss function categorical crossentropy. Hasil pengujian menunjukkan bahwa arsitektur VGG16 dengan fungsi aktivasi Leaky ReLU dan Tanh mencapai akurasi tertinggi sebesar 100%, sedangkan ResNet50 hanya menghasilkan akurasi sebesar 50%. Hal ini mengindikasikan bahwa ResNet50 gagal menangkap pola dari dataset dengan distribusi kecil. Penelitian ini memberikan wawasan mengenai kelebihan dan kekurangan kedua model serta peran penting fungsi aktivasi dalam meningkatkan performa CNN pada dataset tertentu, terutama untuk tugas klasifikasi dengan kompleksitas visual tinggi.
Teks Lengkap:
PDFReferensi
T. Berliani, E. Rahardja, and L. Septiana, "Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16," Journal of Medicine and Health, vol. 5, no. 2, pp. 123–135, Aug. 2023, doi: 10.28932/jmh.v5i2.6116.
M. K. Insani and D. B. Santoso, "Perbandingan Kinerja Model Pre-Trained CNN (VGG16, RESNET, dan INCEPTIONV3) untuk Aplikasi Pengenalan Wajah pada Sistem Absensi Karyawan," Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 5, no. 3, pp. 2612–2622, Sep. 2024, doi: 10.35870/jimik.v5i3.925.
J. Ayad, "Survey on Neural Networks in Networking: Applications and Advancements," Babylonian Journal of Networking, vol. 2024, pp. 135–147, Aug. 2024, doi: 10.58496/BJN/2024/014.
A. Agung Mujiono, K. Kartini, and E. Y. Puspaningrum, "Implementasi Model Hybrid CNN-SVM pada Klasifikasi Kondisi Kesegaran Daging Ayam," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 756–763, Mar. 2024, doi: 10.36040/jati.v8i1.8855.
Fauzan Muhammad, A. M. Arimurthy, and D. Chahyati, "Transfer learning pada Network VGG16 dan ResNet50," The Indonesian Journal of Computer Science, vol. 12, no. 1, Feb. 2023, doi: 10.33022/ijcs.v12i1.3130.
S. Yuliany, Aradea, and A. N. Rachman, "Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN)," Jurnal Buana Informatika, vol. 13, no. 1, pp. 54–65, Apr. 2022, doi: 10.24002/jbi.v13i1.5022.
Q. A. Fitroh and S. ’Uyun, "Deep Transfer Learning untuk Meningkatkan Akurasi Klasifikasi pada Citra Dermoskopi Kanker Kulit," Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 12, no. 2, pp. 78–84, May 2023, doi: 10.22146/jnteti.v12i2.6502.
N. Wiliani, A. P. V. D. Lusi, and N. Hikmah, "Identifying Skin Cancer Disease Types With You Only Look Once (YOLO) Algorithm," Jurnal Riset Informatika, vol. 5, no. 3, pp. 455–464, Jun. 2023, doi: 10.34288/jri.v5i3.241.
M. Maulidah, "Klasifikasi Kepribadian Menggunakan Algoritma Machine Learning," Jurnal Informatika Dan Teknologi Komputer (JITEK), vol. 3, no. 1, pp. 66–73, Apr. 2023, doi: 10.55606/jitek.v3i1.1292.
K. W. Goh et al., "Comparison of Activation Functions in Convolutional Neural Network for Poisson Noisy Image Classification," Emerging Science Journal, vol. 8, no. 2, pp. 592–602, Apr. 2024, doi: 10.28991/ESJ-2024-08-02-014.
A. A. Handoko, M. A. Rosid, and U. Indahyanti, "Implementasi Convolutional Neural Network (CNN) untuk Pengenalan Tulisan Tangan Aksara Bima," SMATIKA JURNAL, vol. 14, no. 01, pp. 96–110, Jul. 2024, doi: 10.32664/smatika.v14i01.1196.
I. Firmansyah and B. H. Hayadi, "Komparasi Fungsi Aktivasi Relu dan Tanh pada Multilayer Perceptron," JIKO (Jurnal Informatika dan Komputer), vol. 6, no. 2, p. 200, Sep. 2022, doi: 10.26798/jiko.v6i2.600.
S. NOR, M. A. Muslim, and M. Aswin, "Pengenalan Pola Dasar Angka Berdasarkan Gerakan Tangan Menggunakan Machine Learning," ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 10, no. 3, p. 595, Jul. 2022, doi: 10.26760/elkomika.v10i3.595.
B. Budiman, N. Alamsyah, and R. Y. R. Alamsyah, "Activation Function in LSTM for Improved Forecasting of Closing Natural Gas Stock Prices," JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 10, no. 1, pp. 100–107, Aug. 2024, doi: 10.33480/jitk.v10i1.5258.
R. Rikendry and A. Maharil, "Perbandingan Arsitektur VGG16 dan ResNet50 untuk Rekognisi Tulisan Tangan Aksara Lampung," Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 3, no. 2, pp. 236–243, Oct. 2022, doi: 10.33365/jatika.v3i2.2030.
DOI: https://doi.org/10.47007/komp.v9i02.8838
Refbacks
- Saat ini tidak ada refbacks.
VISITOR COUNTER: