Perbandingan Kinerja Deep Learning Alexnet dan Efficientnet dengan Augmentasi Data untuk Identifikasi Kupu-Kupu

Atika Istiqomah, 1817051004 (2022) Perbandingan Kinerja Deep Learning Alexnet dan Efficientnet dengan Augmentasi Data untuk Identifikasi Kupu-Kupu. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung.

Preview	File PDF ABSTRAK.pdf Download (180Kb) | Preview
	File PDF FILE SKRIPSI FULL.pdf Restricted to Hanya staf Download (3058Kb) | Minta salinan
Preview	File PDF FILE SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (2108Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Kupu-kupu merupakan makhluk hidup yang berpengaruh dalam ekosistem. Hewan ini membantu dalam proses penyerbukan pada tanaman, serta dapat menjaga keseimbangan ekosistem sekitar. Identifikasi terhadap kupu-kupu diperlukan untuk membantu orang awam atau pengunjung taman kupu-kupu, dalam menambah pengetahuannya terkait macam-macam kupu-kupu. Proses identifikasi dimudahkan dengan adanya teknologi deep learning, serta munculnya algoritma Convolutional Neural Network (CNN) dan beragam arsitektur yang dibentuk oleh algoritma tersebut. Arsitektur AlexNet dan EfficientNet digunakan untuk membantu proses klasifikasi kelas kupu-kupu. Kedua arsitektur digunakan, karena dianggap sebagai arsitektur yang mudah diimplementasikan serta mudah untuk dilakukan perubahan, tetapi dapat menghasilkan akurasi yang baik pada beberapa penelitian terdahulu. Penelitian dilakukan menggunakan 800 gambar kupu-kupu dengan 8 kelas, masing-masing kelas terdiri dari 100 gambar. Percobaan menggunakan 2 macam mesin, yaitu google colab (online) dan komputer dengan GPU NVIDIA Tesla K20 (offline). Hasil yang diberikan ialah, perbandingan kedua arsitektur pada masing-masing mesin. Hasil percobaan menggunakan google colab menghasilkan akurasi terbesar pada arsitektur EfficientNet, yaitu sebesar 99.69% dengan augmentasi flip vertical. Percobaan menggunakan mesin tesla didapatkan akurasi terbesar pada kedua arsitektur, yaitu sebesar 99.37% dengan augmentasi flip horizontal.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data
Program Studi:	FAKULTAS MIPA > Prodi Ilmu Komputer
Pengguna Deposit:	2208666901 . Digilib
Date Deposited:	22 Sep 2022 02:04
Terakhir diubah:	22 Sep 2022 02:04
URI:	http://digilib.unila.ac.id/id/eprint/66216

Actions (login required)

Lihat Karya Akhir