IAIIIAII

Journal of Systems Engineering and Information Technology (JOSEIT)Journal of Systems Engineering and Information Technology (JOSEIT)

Penelitian ini bertujuan untuk mengoptimalkan kinerja Jaringan Saraf Tiruan Konvolusi (CNN) dalam tugas klasifikasi gambar dengan menerapkan teknik augmentasi data dan fine-tuning pada studi kasus klasifikasi mamalia. Dalam penelitian ini, kami menggunakan dataset klasifikasi gambar yang cukup kompleks dan menggunakan model CNN sebagai dasar untuk pelatihan dan evaluasi kinerja model dibandingkan dengan Back propagation. Hasil penelitian ini menunjukkan bahwa teknik yang digunakan berhasil meningkatkan kinerja model CNN dalam tugas klasifikasi gambar kompleks dengan akurasi dalam mengidentifikasi dan memantau spesies hewan secara lebih akurat, dengan akurasi 91,18% untuk model terbaik. Akurasi model meningkat sebesar 2% setelah menerapkan teknik augmentasi data dan fine-tuning pada model CNN. Hasil ini mengindikasikan bahwa teknik yang diterapkan dalam penelitian ini dapat menjadi alternatif yang baik dalam meningkatkan kinerja model CNN dalam tugas klasifikasi gambar.

Penelitian ini merekomendasikan solusi model untuk membantu peneliti atau penulis di masa depan dalam mengidentifikasi dan memantau spesies hewan secara lebih akurat, dengan akurasi 91,18% untuk model terbaik.Solusi yang ditawarkan adalah dapat membantu dalam memantau spesies hewan, terutama yang dilindungi di masa depan, lebih murah, lebih cepat, dan lebih andal.Penelitian ini juga membuktikan bahwa dengan laju pembelajaran yang tepat pada setiap fungsi estimasi, Adam lebih unggul dari SGD.

Berdasarkan latar belakang penelitian yang menyoroti tantangan dalam pemrosesan gambar akibat variasi intensitas dan kebutuhan akan optimasi model CNN, serta hasil penelitian yang menunjukkan peningkatan akurasi melalui fine-tuning dan augmentasi data, beberapa saran penelitian lanjutan dapat diajukan. Pertama, perlu dilakukan eksplorasi lebih lanjut mengenai pengaruh berbagai jenis arsitektur CNN selain VGG16 terhadap kinerja klasifikasi gambar, dengan mempertimbangkan efisiensi komputasi dan kebutuhan memori. Kedua, penelitian dapat difokuskan pada pengembangan metode augmentasi data yang lebih cerdas dan adaptif, yang mampu menghasilkan variasi data yang relevan dan meningkatkan generalisasi model tanpa mengurangi kualitas data. Ketiga, penelitian dapat menginvestigasi penggunaan teknik transfer learning dari model yang telah dilatih pada dataset besar, untuk mempercepat proses pelatihan dan meningkatkan akurasi pada dataset yang lebih kecil. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan model klasifikasi gambar yang lebih robust, efisien, dan mampu beradaptasi dengan berbagai kondisi data.

  1. Classification Analysis of Back propagation-Optimized CNN Performance in Image Processing | Journal of... jurnal.iaii.or.id/index.php/JOSEIT/article/view/5015Classification Analysis of Back propagation Optimized CNN Performance in Image Processing Journal of jurnal iaii index php JOSEIT article view 5015
Read online
File size579.31 KB
Pages8
DMCAReport

Related /

ads-block-test