PENERAPAN ARSITEKTUR VGG-19 UNTUK MENANGANI OVERFITTING PADA IDENTIFIKASI ULAR BERBISA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Indrawani, Indrawani (2024) PENERAPAN ARSITEKTUR VGG-19 UNTUK MENANGANI OVERFITTING PADA IDENTIFIKASI ULAR BERBISA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text COVER.pdf Download (104kB)
	Text ABSTRAK.pdf Download (15kB)
	Text DAFTAR ISI.pdf Download (70kB)
	Text DAFTAR PUSTAKA.pdf Download (94kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (193kB)
	Text PENGESAHAN PENGUJI.pdf Download (215kB)
	Text SKRIPSI_FULL_INDRAWANI_123200018.pdf Restricted to Repository staff only Download (4MB)
	Text DAFTAR ISI.pdf Restricted to Repository staff only Download (70kB)
	Text DAFTAR PUSTAKA.pdf Download (94kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (193kB)
	Text PENGESAHAN PENGUJI.pdf Download (215kB)
	Text SKRIPSI_FULL_INDRAWANI_123200018.pdf Restricted to Repository staff only Download (4MB)

Abstract

Ular merupakan salah satu hewan reptil yang berbahaya dan terbagi menjadi dua kelompok, yaitu ular berbisa dan tidak berbisa. Laporan WHO menyatakan bahwa sekitar 5,4 juta orang menderita karena racun ular setiap tahun. Bahaya serangan ular berbisa sering terjadi pada masyarakat mulai dari anak-anak hingga orang dewasa. Walaupun racun ular dapat menjadi ancaman bagi kesehatan masyarakat, namun racun tersebut mengandung sejumlah protein bioaktif yang berpotensi membantu tenaga medis dalam menentukan jenis antibisa yang paling efektif. CNN mampu mengidentifikasi dengan kedalaman yang lebih tinggi, namun pada umumnya arsitektur-arsitektur CNN memiliki kompleksitas yang tinggi, rentan overfitting, dan membutuhkan data pelatihan dalam jumlah besar. Oleh karena itu, CNN membutuhkan arsitektur yang memiliki kedalaman yang cukup, namun dengan kompleksitas yang relatif rendah, dan untuk mengatasi masalah keterbatasan data dan overfitting, arsitektur VGG-19 akan dilatih dengan mengadopsi konsep transfer learning. Pendekatan transfer learning memfasilitasi pelatihan data dengan jumlah sampel yang terbatas namun tetap dapat mencapai tingkat akurasi yang tinggi dengan menggunakan konsep data pelatihan yang sudah ada. Untuk mendapatkan model yang baik dan optimal dibutuhkan preprocessing data yaitu augmentasi data yang terdiri dari flipping, zooming, Random Rotation, Shearing, serta preprocessing data mengubah ukuran citra (resize) menjadi 224 x 224 pixels serta dilakukannya normalisasi rescale. Kombinasi Pengujian dengan pendekatan transfer learning dan penentuan jumlah epoch yang tepat, dengan skema pengujian yaitu Freezing Layer pada Sebagian (5 layer) Convolutional Layer dengan pre-trained, Fine tuning dengan pre-trained, Fine tuning tanpa menggunakan bobot pre-trained, dan VGG19 tanpa Transfer Learning. Dengan kombinasi jumlah epoch 15, 20,25, dan 30. Dari pengujian Kombinasi tersebut di dapatkan kombinasi skema transfer learning terbaik dari hasil pengujian data baru (data test) adalah Fine tuning dengan pre-trained, dengan jumlah epoch 15 mendapatkan akurasi sebesar 89% pada data test dengan nilai loss 0.2, serta nilai sensitivity sebesar 87% dan specificity sebesar 92%.
Kata Kunci : Ular, Preprocessing, Transfer Learning, Convolutional Neural Network, VGG-19, Epoch, Fine Tuning, dan Freezing layer.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Ular, Preprocessing, Transfer Learning, Convolutional Neural Network, VGG-19, Epoch, Fine Tuning, dan Freezing layer.
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	15 May 2024 08:06
Last Modified:	15 May 2024 08:08
URI:	http://eprints.upnyk.ac.id/id/eprint/39438

Actions (login required)

View Item