PERBANDINGAN NILAI AKURASI MODEL MACHINE LEARNING ANTARA ARSITEKTUR MOBILENETV2 DAN XCEPTION PADA SISTEM KLASIFIKASI SAMPAH

Rian, Kurniawan (2023) PERBANDINGAN NILAI AKURASI MODEL MACHINE LEARNING ANTARA ARSITEKTUR MOBILENETV2 DAN XCEPTION PADA SISTEM KLASIFIKASI SAMPAH. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (34Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (1617Kb)
Preview	File PDF SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (1327Kb) | Preview

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

Sampah yang dihasilkan setiap hari dapat menjadi masalah karena beberapa jenis sampah sulit untuk terurai sehingga dapat mencemari lingkungan. Sampah yang berpotensi dapat didaur ulang dan memikili nilai jual adalah sampah jenis anorganik terutama sampah kardus, logam, kertas, kaca, plastik, karet, dan sampah lainnya seperti bungkus kemasan produk. Berbagai jenis sampah dapat diklasifikasi menggunakan model machine learning. Model machine learning yang digunakan untuk klasifikasi sistem sampah adalah model dengan metode Convolutional Neural Network (CNN). Data yang digunakan pada penelitian ini berjumlah 2647 data tipe gambar. Pemilihan arsitektur CNN mempertimbangkan akurasi dan biaya komputasi yang dibutuhkan. Penelitian ini bertujuan untuk mengetahui arsitektur, optimizer, dan learning rate terbaik pada sistem klasifikasi sampah. Model yang dirancang menggunakan arsitektur MobileNetV2 dengan optimizer SGD dan learning rate 0.1 memiliki akurasi sebesar 86.07% dan model yang dirancang menggunakan arsitektur Xception dengan optimizer Adam dan learning rate 0.001 memiliki akurasi sebesar 87.81%.

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 Teknik > Prodi S1-Teknik Informatika
Pengguna Deposit:	2301884581 . Digilib
Date Deposited:	21 Mar 2023 01:07
Terakhir diubah:	21 Mar 2023 01:07
URI:	http://digilib.unila.ac.id/id/eprint/70141

Actions (login required)

Lihat Karya Akhir