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	Text ABSTRAK.pdf Download (184kB) | Preview
	Text FILE SKRIPSI FULL.pdf Restricted to Repository staff only Download (3MB) | Request a copy
Preview	Text FILE SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (2MB) | Preview

Abstract

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.

Item Type:	Other
Subjects:	?? 004 ?? ?? 005 ??
Divisions:	Fakultas MIPA > Prodi Ilmu Komputer
Depositing User:	2208666901 . Digilib
Date Deposited:	22 Sep 2022 02:04
Last Modified:	22 Sep 2022 02:04
URI:	http://digilib.unila.ac.id/id/eprint/66216

Actions (login required)

View Item