Publisher

IKHAFIIKHAFI

Journal Jurnal Sistem Informasi dan E-BisnisJurnal Sistem Informasi dan E-Bisnis Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra aksara Kaganga menggunakan deep learning, dengan memanfaatkan arsitektur model VGG16 yang telah dilatih sebelumnya pada dataset besar seperti ImageNet. Dataset yang digunakan terdiri dari citra aksara Kaganga yang telah dilabeli, dibagi menjadi tiga bagian yaitu data pelatihan (70%), data validasi (15%), dan data uji (15%). Proses pelatihan model dilakukan dengan melakukan fine-tuning pada beberapa lapisan terakhir model VGG16, sementara lapisan-lapisan awal menggunakan bobot yang telah dilatih sebelumnya. Untuk mengoptimalkan kinerja model, eksperimen dilakukan dengan menguji kombinasi berbagai batch size (16, 32, 64) dan learning rate (0.1, 0.01, 0.001), menghasilkan sembilan kombinasi parameter yang berbeda. Evaluasi model dilakukan menggunakan metrik akurasi, confusion matrix, precision, recall, dan F1-score pada data uji. Hasil eksperimen menunjukkan bahwa pengaturan hyperparameter yang tepat memiliki pengaruh signifikan terhadap kinerja model. Batch size 32 dengan learning rate 0.01 menghasilkan akurasi terbaik pada data train, validasi, dan test. Sedangkan pada batch size 16, meskipun menghasilkan hasil yang cukup baik dengan learning rate 0.01, nilai akurasi pada data test lebih rendah, menunjukkan kecenderungan overfitting pada batch size kecil. Sebaliknya, batch size 64 dengan learning rate 0.01 memberikan akurasi test terbaik, mencapai 89.1%, meskipun terdapat sedikit penurunan akurasi pada data validasi. Berdasarkan hasil tersebut, disarankan untuk menggunakan batch size 32 atau 64 dengan learning rate 0.01 untuk tugas klasifikasi aksara Kaganga menggunakan model VGG16.

Conclusion

Berdasarkan hasil eksperimen yang dilakukan pada VGG16 dengan berbagai kombinasi batch size dan learning rate untuk klasifikasi citra aksara Kaganga, dapat disimpulkan bahwa pengaturan hyperparameter yang tepat memiliki pengaruh signifikan terhadap kinerja model.Secara umum, batch size 32 dengan learning rate 0.01 memberikan hasil yang paling optimal, dengan akurasi terbaik pada data train, validate, dan test.Pada batch size 16, meskipun model memberikan hasil yang cukup baik dengan learning rate 0.01, nilai akurasi pada data test lebih rendah dibandingkan dengan batch size 32 dan 64, mengindikasikan bahwa batch size yang lebih kecil cenderung lebih cepat mengalami overfitting.Sementara itu, pada batch size 64, learning rate 0.01 juga memberikan hasil terbaik dengan akurasi test yang mencapai 89.1%, menunjukkan bahwa batch size yang lebih besar dapat meningkatkan kinerja model pada data uji, meskipun ada sedikit penurunan pada akurasi validasi.001 cenderung memberikan pelatihan yang lebih lambat dan hasil yang kurang optimal pada data test.01 adalah direkomendaiskan untuk model VGG16 dalam tugas klasifikasi aksara Kaganga, terutama ketika digunakan dengan batch size 32 atau 64.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi lebih lanjut pengaruh hyperparameter lain seperti momentum dan weight decay pada kinerja model VGG16. Selain itu, penelitian dapat dilakukan untuk mengoptimalkan kinerja model pada dataset dengan ukuran yang lebih kecil atau dengan variasi yang lebih kompleks. Penelitian juga dapat dilakukan untuk membandingkan kinerja VGG16 dengan arsitektur CNN lainnya dalam tugas klasifikasi aksara Kaganga. Dengan demikian, penelitian ini dapat memberikan kontribusi lebih lanjut dalam pengembangan model klasifikasi citra aksara Kaganga yang lebih akurat dan efisien.

References

1. 0. pdf obj type catalog pages endobj kids count parenttree rolemap worksheet part macrosheet endnote... aircconline.com/ijaia/V11N6/11620ijaia05.pdf0 pdf obj type catalog pages endobj kids count parenttree rolemap worksheet part macrosheet endnote aircconline ijaia V11N6 11620ijaia05 pdf

Metadata

File size	350.93 KB
Pages	5
DMCA	Report