Optimasi Hyperparameter Convolutional Neural Network Klasifikasi Citra Bunga Dengan Menggunakan Algoritma Grid Search

Wibowo, Della Aulia (2024) Optimasi Hyperparameter Convolutional Neural Network Klasifikasi Citra Bunga Dengan Menggunakan Algoritma Grid Search. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211027_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (5MB) | Request a copy

Abstract

Bunga merupakan tumbuhan yang menarik. Tanaman berbunga memiliki 416 famili, 13.164 genus, dan 295.383 spesies, menjadikan tanaman berbunga sebagai kelompok tanaman di darat dengan ragam terbanyak (Christenhusz et al., 2016). Di Indonesia terdapat banyak sekali jenis bunga dengan variasi bentuk, ukuran, dan warna. Klasifikasi jenis bunga merupakan pekerjaan yang membutuhkan waktu dan pengetahuan. Perkembangan computer vision memungkinkan untuk melakukan otomatisasi klasifikasi jenis bunga dengan efisien dan akurat. Convolutional neural network (CNN) merupakan salah satu jenis algoritma deep learning yang memiliki kemampuan utama dalam pengenalan suatu objek seperti gambar, teks, suara maupun video. Penelitian ini berfokus pada pengembangan model klasifikasi citra bunga Indonesia dengan menggunakan berbagai pendekatan yaitu Convolutional Neural Network (CNN), optimasi hyperparameter menggunakan Grid Search dan parameter default, serta pembandingan dua arsitektur CNN yang berbeda, yaitu VGG16 dan MobileNetV2. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi citra bunga Indonesia dengan mengoptimalkan hyperparamter. Hasil dari penelitian CNN dengan hyperparameter yang dikombinasikan dengan algoritma grid search dan menggunakan augmentasi data menghasilkan MobileNetV2 sebagai model terbaik.
=============================================================================================================================
Flowers are interesting plants. Flowering plants have 416 families, 13,164 genera, and 295,383 species, making flower plants the most diverse group of land-based plants (Christenhusz et al., 2016). In Indonesia, there are many kinds of flowers with a variety of shapes, sizes, and colors. Classifying flower types is a job that requires time and knowledge. The development of computer vision makes it possible to automate the classification of flower types efficiently and accurately. Convolutional neural network (CNN) is a type of deep learning algorithm that has the main ability to recognize objects such as images, text, sound, and video. This research focuses on developing an Indonesian flower image classification model using various approaches, namely Convolutional Neural Network (CNN), hyperparameter optimization using Grid Search and default parameters, and comparing two different CNN architectures, namely VGG16 and MobileNetV2. This research aims to improve the accuracy of Indonesian flower image classification by optimizing hyperparameters. The results of CNN research with hyperparameters combined with the grid search algorithm and using data augmentation resulted in MobileNetV2 as the best model.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Convolutional Neural Network, Hyperparameter, VGG16, MobileNetV2, Grid Search, Citra Bunga Indonesia, Indonesian flowers image
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Della Aulia Wibowo
Date Deposited:	12 Feb 2024 20:02
Last Modified:	12 Feb 2024 20:02
URI:	http://repository.its.ac.id/id/eprint/106924

Actions (login required)

View Item