AZIIZAH, INTAN RAMADHAN NUSWANTORO (2026) ANALISIS PENGARUH PEMBEKUAN LAYER PADA VISION TRANSFORMER UNTUK PENILAIAN KUALITAS GAMBAR TANPA REFERENSI. Skripsi thesis, UPN Veteran Yogyakarta.
|
Text
123220201_Cover - Devi Intan (1).pdf Download (116kB) |
|
|
Text
123220201_Abstrak - Devi Intan.pdf Download (148kB) |
|
|
Text
123220201_Halaman Pengesahan - Devi Intan.pdf Download (151kB) |
|
|
Text
123220201_Daftar Isi - Devi Intan.pdf Download (117kB) |
|
|
Text
123220201_Daftar Pustaka - Devi Intan.pdf Download (131kB) |
|
|
Text
123220201_Fulltext - Devi Intan.pdf Restricted to Repository staff only Download (1MB) |
Abstract
No-Reference Image Quality Assessment (NR-IQA) merupakan salah satu bidang penting dalam pengolahan citra digital yang bertujuan untuk menilai kualitas citra tanpa memerlukan citra referensi. Permasalahan utama pada NR-IQA adalah bagaimana memprediksi kualitas perseptual citra hanya berdasarkan citra terdistorsi. Seiring berkembangnya metode berbasis deep learning, Vision Transformer (ViT) menunjukkan potensi yang baik dalam tugas analisis citra. Namun, jumlah parameter yang besar pada ViT dapat meningkatkan risiko overfitting, terutama ketika digunakan pada dataset yang berukuran relatif kecil. Oleh karena itu, penelitian ini bertujuan untuk menganalisis pengaruh strategi pembekuan layer (freeze layer) pada arsitektur ViT-Base terhadap performa model dalam tugas NR-IQA serta menentukan konfigurasi pembekuan layer yang paling optimal.
Penelitian menggunakan dataset CSIQ yang terdiri atas 866 citra terdistorsi dengan nilai Differential Mean Opinion Score (DMOS) sebagai ground truth. Tahap praproses data meliputi resize, konversi ke tensor, dan normalisasi citra. Model ViT-Base yang telah diprelatih (pretrained) pada ImageNet dimodifikasi menjadi model regresi dengan menambahkan regression head. Evaluasi dilakukan menggunakan metode 5-Fold Cross Validation dengan lima skenario pembekuan layer yang berbeda. Kinerja model dievaluasi menggunakan metrik Pearson Linear Correlation Coefficient (PLCC), Spearman Rank Correlation Coefficient (SRCC), dan Root Mean Square Error (RMSE).
Hasil penelitian menunjukkan bahwa strategi pembekuan layer memberikan pengaruh terhadap performa model. Skenario terbaik diperoleh pada konfigurasi S2, yaitu dengan membekukan patch embedding dan melatih seluruh blok Transformer encoder serta regression head. Skenario tersebut menghasilkan nilai PLCC sebesar 0,9643 dan SRCC sebesar 0,9412. Hasil tersebut menunjukkan bahwa mempertahankan representasi fitur dasar dari model pretrained sekaligus melakukan fine-tuning pada bagian encoder mampu memberikan keseimbangan yang baik antara kemampuan generalisasi dan akurasi prediksi. Selain meningkatkan performa, strategi pembekuan sebagian layer juga mampu mengurangi jumlah parameter yang dilatih sehingga proses pelatihan menjadi lebih efisien. Dengan demikian, penelitian ini menunjukkan bahwa pendekatan partial fine-tuning melalui strategi freeze layer merupakan metode yang efektif untuk meningkatkan kinerja ViT-Base pada tugas NR-IQA dengan dataset berukuran terbatas.
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Uncontrolled Keywords: | No-Reference Image Quality Assessment, Vision Transformer Base, Pembekuan Layer, Prediksi Kualitas Citra, Efisiensi Komputasi |
| Subjek: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | UPA Perpustakaan |
| Date Deposited: | 13 Nov 2026 06:35 |
| Last Modified: | 13 Nov 2026 06:35 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/50457 |
Actions (login required)
![]() |
View Item |
