Ghamal Febryanto, 4611419074 (2025) OPTIMASI CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR RESNET-50 DAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI JAMUR. Under Graduates thesis, UNIVERSITAS NEGERI SEMARANG.

PDF (Skripsi) - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengoptimalkan performa klasifikasi citra jamur dengan memanfaatkan algoritma Convolutional Neural Network (CNN) yang dibangun menggunakan arsitektur ResNet-50, serta dioptimalkan melalui metode Particle Swarm Optimization (PSO). Dataset yang digunakan merupakan kumpulan gambar dari sembilan genus jamur yang diperoleh dari platform Kaggle. Untuk mengatasi ketidakseimbangan jumlah data antar kelas, diterapkan teknik hybrid resampling yang menggabungkan metode oversampling dan undersampling, disertai dengan augmentasi citra guna memperkaya variasi data pelatihan. Model ResNet-50 yang digunakan merupakan versi pretrained dari ImageNet yang kemudian dimodifikasi pada layer akhir serta dilakukan fine-tuning pada beberapa layer terdalam. PSO digunakan untuk mengoptimalkan hyperparameter penting, seperti learning rate, momentum, weight decay, dan jumlah layer yang dibuka (unfreeze layers). Evaluasi model dilakukan menggunakan metrik akurasi dan Confusion Matrix. Berdasarkan hasil pengujian, model berhasil mencapai akurasi sebesar 91,02%, dengan performa terbaik diperoleh pada kelas Boletus dan Entoloma. Dengan demikian, kombinasi arsitektur ResNet-50, teknik transfer learning, dan optimasi hyperparameter menggunakan PSO terbukti mampu meningkatkan secara signifikan kemampuan sistem dalam melakukan klasifikasi citra jamur.

Actions (login required)

View Item