Text

KLASIFIKASI CITRA MENGGUNAKAN ARSITEKTUR CNN EFFICIENTNETB1 DAN DEEP OPEN CLASSIFICATION SYSTEM

---

Sistem klasifikasi secara umum sudah dikembangkan dengan menggunakan metode
machine learning dan deep learning. Sistem klasifikasi ini dapat disebut sebagai closed
world classification, di mana sistem ini kurang efektif dan relevan apabila dipakai dalam
aplikasi yang bersifat dinamis sehingga dibentuk sistem deep open classification dengan
tujuan untuk menolak data yang tidak dilatih oleh model dalam fase pelatihan (tidak
dikenali). Penelitian ini menggunakan arsitektur CNN EfficientNetB1 dengan parameter
yang lebih kecil dibandingkan beberapa arsitektur CNN lainnya. Dalam kasus ini, dataset
yang digunakan adalah German Traffic Sign Recognition Benchmark (GTSRB), yaitu citra
rambu-rambu lalu lintas yang berada di Jerman. Skenario dilakukan dengan melakukan
eksperimen terhadap ukuran input citra dan learning rate saat fase pelatihan dan memilih
parameter dengan hasil yang terbaik saat fase pengujian. Hasil diperoleh bahwa model
dengan learning rate 0,0007 dan ukuran input 200×200 merupakan parameter terbaik dalam
penelitian ini. Model terbaik memperoleh hasil validation accuracy sebesar 1 dan validation
loss sebesar 0,0003 dalam 2 epoch. Pada fase pengujian pertama dengan data seen classes,
model memperoleh nilai akurasi sebesar 0,996. Pada fase pengujian kedua dengan data
unseen classes (rambu-rambu lalu lintas), model dengan learning rate 0,0007, ukuran input
200×200, dan skala 10 memperoleh hasil terbaik yaitu akurasi sebesar 0,94, macro-f1
sebesar 0,94, dan f1-score pada kelas rejection sebesar 0,667. Sementara pada fase pengujian
ketiga dengan data unseen classes (baliho, iklan, dan spanduk), model dengan learning rate
0,0007, ukuran input 200×200, dan skala 20 memperoleh hasil terbaik yaitu akurasi sebesar
0,973, macro-f1 sebesar 0,967 dan f1-score pada kelas rejection sebesar 0,748.
Kata kunci : Rambu Lalu Lintas, Klasifikasi, EfficientNetB1, Deep Open Classification.

---

Ketersediaan

1198F2023

1198 F 2023

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1198 F 2023

Penerbit

: .,

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Jeremy Edbert Widjaja

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar