Juliantara. KW, Pande Putu Ode (2026) KOMPARASI ARSITEKTUR RESNET50 DAN MOBILENETV2 PADA KLASIFIKASI CITRA RERAJAHAN ULAP-ULAP BALI. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101048-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2229101048-ABSTRAK.pdf Download (791kB) |
|
Text (BAB 1 PENDAHULUAN)
2229101048-BAB 1 PENDAHULUAN.pdf Download (18MB) |
|
Text (BAB 2 KAJIAN TEORI)
2229101048-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (18MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2229101048-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101048-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (6MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2229101048-BAB 5-PENUTUP.pdf Restricted to Repository staff only Download (18MB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101048-DAFTAR-PUSTAKA.pdf Download (18MB) |
|
Text (LAMPIRAN)
2229101048-LAMPIRAN.pdf Download (18MB) |
Abstract
Penelitian ini bertujuan untuk membandingkan performa arsitektur ResNet50 dan MobileNetV2 dalam mengklasifikasikan sembilan kelas citra rerajahan ulap-ulap Bali, serta menguji pengaruh tiga optimizer, yaitu AdamW, Nadam, dan Adagrad, terhadap performa kedua arsitektur tersebut melalui skema transfer learning berbasis bobot ImageNet. Penelitian ini menggunakan desain eksperimental kuantitatif dengan dataset primer yang dikumpulkan langsung dari lima data pokok tiap kelas menggunakan kamera DSLR, kemudian diperkaya melalui augmentasi citra (brightness, contrast, noise, shear, dan blur) menjadi 3.888 data latih. Kedua arsitektur dimodifikasi dengan menambahkan lapisan klasifikasi kustom (global average pooling, dense, dan softmax sembilan kelas) serta dropout sebesar 0,6, dan dilatih melalui enam skenario hasil kombinasi dua arsitektur dan tiga optimizer. Validasi model dilakukan menggunakan metode 5 fold cross validation, dengan teknik analisis data berupa perhitungan accuracy, precision, recall, f1-score, dan confusion matrix pada setiap skenario, dilengkapi pengujian generalisasi menggunakan citra baru di luar dataset. Hasil penelitian menunjukkan bahwa Skenario 1 dan Skenario 2 sama-sama mencapai performa klasifikasi tertinggi dengan akurasi rata-rata yang identik sebesar 98,40%. Namun, berdasarkan analisis cost and benefit yang mempertimbangkan keseimbangan antara akurasi, precision, dan efisiensi biaya komputasi, kombinasi MobileNetV2 dengan optimizer Nadam (Skenario 2) ditetapkan sebagai model paling optimal dengan nilai precision 98,48%, recall 98,40%, f1-score 98,39%, waktu pelatihan rata-rata tersingkat sebesar 1,96 detik per epoch, dan skor cost benefit (Vi) tertinggi sebesar 0,9998, mengungguli Skenario 1 yang memperoleh skor Vi sebesar 0,9959 akibat kebutuhan waktu pelatihan yang sedikit lebih lama. Sementara itu, kombinasi ResNet50 dengan Adagrad mencatatkan performa terendah sebesar 24,81% akibat penyusutan learning rate yang ekstrem. Analisis kesalahan menunjukkan ambiguitas tertinggi pada pasangan kelas bale dangin dengan bale delod dan padmasana dengan angkul-angkul akibat kemiripan struktural. Disimpulkan bahwa MobileNetV2 lebih unggul dan efisien dibandingkan ResNet50 untuk klasifikasi citra budaya dengan data primer terbatas, meskipun performa model menurun saat diuji pada citra lapangan baru akibat domain shift. Penelitian lanjutan disarankan menjajaki arsitektur vision transformer dan memperluas variasi dataset primer.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Klasifikasi Citra, MobileNetV2, ResNet50, Optimizer, Rerajahan Ulap-Ulap |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Pande Putu Ode Juliantara. KW |
| Date Deposited: | 27 Jul 2026 01:50 |
| Last Modified: | 27 Jul 2026 01:50 |
| URI: | http://repo.undiksha.ac.id/id/eprint/31501 |
Actions (login required)
 |
View Item |