PENGARUH HYPERPARAMETER PADA ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA SAMPAH ANORGANIK

Wibisono, Rafi Khairuna (2023) PENGARUH HYPERPARAMETER PADA ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA SAMPAH ANORGANIK. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (6kB)
	Text COVER.pdf Download (167kB)
	Text DAFTAR ISI.pdf Download (16kB)
	Text DAFTAR PUSTAKA.pdf Download (78kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (236kB)
	Text PENGESAHAN PENGUJI.pdf Download (253kB)
	Text SKRIPSI FULL_RAFI KHAIRUNA WIBISONO.pdf Restricted to Repository staff only Download (4MB)

Abstract

Sampah anorganik atau sampah yang tidak mudah membusuk yang tertimbun di
tanah dapat menyebabkan pencemaran tanah karena sampah anorganik tergolong zat yang
sulit terurai dan sampah itu akan tertimbun dalam tanah dalam waktu lama, ini menyebabkan
lapisan tanah rusak. Sehingga pada sampah sampah anorganik perlu dilakukan proses daur
ulang (recycle). Dalam mamaksimalkan persentase daur ulang sampah diselesaikan
menggunakan machine learning salah satunya dengan image classification. Dengan
menggunakan image classification maka komputer dapat mengetahui jenis sampah hanya
berdasarkan dengan gambar sehingga dapat membantu pengkategorian sampah anorganik
yang lebih baik. Salah satu algoritma yang dipakai dalam image classification adalah
Convolutional Neural Network (CNN).
Arsitektur CNN Xception digunakan untuk mengklasifikasi sampah anorganik
karena memiliki keunggulan pada keefesiensinya di mana jumlah parameter dan komputasi
yang diperlukan lebih sedikit dibandingkan dengan arsitektur CNN lainnya yang mana
dengan jumlah parameter yang lebih sedikit membuat network lebih tidak rentang
overfitting. Dataset yang digunakan terdiri dari 5 kelas jenis sampah anorganik antara lain
cardboard, glass, metal, plastic, dan paper. Untuk mengetahui pengaruh hyperparameter
terhadap kinerja model CNN, dilakukan hyperparameter tunning yang terdiri dari epoch,
batch size, learning rate, dropout dan optimizer. Penelitian ini bertujuan untuk untuk melihat
pengaruh hyperparameter terhdapat kinerja model dan mendapatkan hyperparameter yang
optimal sehingga memberikan peforma yang baik pada model CNN.
Hasil penelitian didapatkan berdasarkan hasil pengujian 48 kombinasi
hyperparameter menunjukan setiap hyperparameter berpengaruh terhadap kinerja model dan
hyperparameter optimal didapatkan dengan nilai batch size 64, learning rate 0,0001,
optimizer Adam, dropout 0,5 serta epoch 20 memberikan hasil yang paling optimal dengan
nilai akurasi 93,72%. Akurasi didapatkan dari perhitungan confusion matrix. Dari hasil
pengujian tersebut, dapat disimpulkan sistem dapat berjalan dengan baik dalam
mengklasifikasikan citra sampah anorganik.
Kata Kunci: Hyperparameter Tunning; CNN; Image Clasification; Sampah Anorganik

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Hyperparameter Tunning; CNN; Image Clasification; Sampah Anorganik
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	28 Dec 2023 07:06
Last Modified:	28 Dec 2023 07:06
URI:	http://eprints.upnyk.ac.id/id/eprint/38419

Actions (login required)

View Item