SUBROTO, ADITYA DWIPUTRA (2025) KLASIFIKASI PORNOGRAFI PADA GAMBAR MENGGUNAKAN INCEPTION-RESNET-V2 DAN SQUEEZE-AND-EXCITATION BLOCK (SE BLOCK. Skripsi thesis, UPN "Veteran" Yogyakarta.
![[thumbnail of 123210053_naskah_TA _full.pdf]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
123210053_naskah_TA _full.pdf Restricted to Repository staff only Download (1MB) |
|
Text
123210053_Abstrak_Naskah_TA.pdf Download (231kB) |
|
Text
123210053_Cover_Naskah_TA.pdf Download (164kB) |
|
Text
123210053_Daftar_Isi_Naskah_TA.pdf Download (238kB) |
|
Text
123210053_Daftar_Pustaka_Naskah_TA.pdf Download (192kB) |
|
Text
123210053_halaman_pengesahan_pembimbing.pdf Download (36kB) |
|
Text
123210053_halaman_pengesahan_penguji.pdf Download (39kB) |
Abstract
Penyebaran gambar pornografi melalui media daring menjadi permasalahan serius yang dapat memberikan dampak negatif, terutama bagi anak-anak dan remaja. Paparan konten tersebut dapat memengaruhi perkembangan psikologis, moral, dan perilaku sosial pengguna internet. Mengingat tingginya volume konten yang beredar, proses klasifikasi manual menjadi tidak efektif. Oleh karena itu, dibutuhkan sistem otomatis berbasis kecerdasan buatan yang mampu mendeteksi dan mengklasifikasikan gambar pornografi secara akurat. Penelitian ini bertujuan untuk mengembangkan model klasifikasi gambar pornografi menggunakan pendekatan deep learning yang mampu mengenali pola visual kompleks secara efisien dan akurat.
Metode yang digunakan dalam penelitian ini adalah pengembangan model deep learning dengan arsitektur Inception-ResNet-v2 yang dipadukan dengan Squeeze-and-Excitation (SE) Block untuk meningkatkan pemanfaatan informasi global antar channel. Data yang digunakan berasal dari dua dataset, yaitu Kim (2019) dan Tiem (2022). Penelitian ini melakukan klasifikasi dengan dua kategori, yaitu porn dan bukan-porn. Tahapan preprocessing mencakup pembersihan data, integrasi dataset, undersampling untuk menyeimbangkan distribusi kelas, serta augmentasi untuk meningkatkan keragaman data. Evaluasi model dilakukan dengan pengujian pada variasi rasio SE Block untuk menentukan konfigurasi terbaik.
Hasil penelitian ini menunjukkan bahwa Inception-ResNet-v2 dengan penambahan SE Block dengan rasio 32 mampu meningkatkan performa klasifikasi pornografi dibandingkan Inception-ResNet-v2 tanpa SE Block. Konfigurasi SE Block dengan rasio 32 menghasilkan kinerja terbaik dengan akurasi sebesar 97.06%, precision 97.55%, recall 96.54%, dan F1-score 97.04%. Penambahan SE Block juga menghasilkan waktu pelatihan yang relatif sama dengan tanpa SE Block. Temuan ini menunjukkan bahwa pemodelan eksplisit terhadap ketergantungan antar channel melalui SE Block dapat meningkatkan efektivitas klasifikasi gambar pornografi secara otomatis dan efisien.
Kata Kunci: Klasifikasi Gambar, Pornografi, Inception-ResNet-v2, Squeeze-and-Excitation Block, Deep Learning.
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Uncontrolled Keywords: | Klasifikasi Gambar, Pornografi, Inception-ResNet-v2, Squeeze-and-Excitation Block, Deep Learning. |
| Subjek: | Q Science > Q Science (General) |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | Eny Suparny |
| Date Deposited: | 16 Dec 2025 03:01 |
| Last Modified: | 16 Dec 2025 03:01 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/46116 |
Actions (login required)
 |
View Item |