Saputra, I Putu Arsana (2026) Optimasi Hyperparameter dalam Metode Convolutional Neural Network (CNN) dengan Arsitektur MobileNet dan Arsitektur VGG Untuk Klasifikasi Kepadatan Lalu Lintas. Masters thesis, UNIVERSITAS PENDIDIKAN GANESHA.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101008-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2229101008-ABSTRAK.pdf Download (592kB) |
|
Text (BAB 1 PENDAHULUAN)
2229101008-BAB 1 PENDAHULUAN.pdf Download (1MB) |
|
Text (BAB 2 KAJIAN TEORI)
2229101008-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (6MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2229101008-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101008-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (4MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2229101008-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (878kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101008-DAFTAR PUSTAKA.pdf Download (872kB) |
|
Text (LAMPIRAN)
2229101008-LAMPIRAN.pdf Download (4MB) |
Abstract
ABSTRAK Suputra, I Putu Arsana (2025), Optimasi Hyperparameter dalam Metode Convolutional Neural Network (CNN) dengan arsitektur MobileNet dan arsitektur VGG untuk Klasifikasi Kepadatan Lalu Lintas. Proposal Tesis, Ilmu Komputer, Program Pascasarjana, Universitas Pendidikan Ganesha. Tesis ini sudah disetujui dan diperiksa oleh Pembimbing I : Dr. I Gede Aris Gunadi, S.Si. M.Kom. dan Pembimbing II : Dr. I Made Gede Sunarya, S.Kom., M.Cs. Kata-kata kunci: Convolutional Neural Network, Deep learning, Hyperparameter, Klasifikasi, kepadatan, lalu lintas, MobileNet, Optimasi, VGG. Kepadatan lalu lintas di wilayah perkotaan merupakan permasalahan krusial, khususnya di daerah dengan populasi tinggi seperti Bali. Penelitian ini mengatasi tantangan tersebut dengan menerapkan metode Convolutional Neural Network (CNN) untuk mengklasifikasi tingkat kepadatan lalu lintas berdasarkan citra dari kamera pengawas jalan. Bagian fokus utama dari pelaksanaan riset ini yakni optimasi hyperparameter guna dipakai mendukung peningkatan performa model dalam klasifikasi kondisi lalu lintas. Berbagai kombinasi hyperparameter seperti jumlah neuron pada lapisan dense, tingkat dropout, learning rate, batch size, dan jumlah epoch diuji pada dua arsitektur CNN yang populer: MobileNet dan VGG16. Arsitektur MobileNet menunjukkan komputasi dengan struktur yang ringan, sedangkan VGG16 memberikan kemampuan ekstraksi fitur yang kuat meskipun membutukah adanya dukungan sumber daya komputasi yang lebih besar. Hasil kuantitatif memberikan hasil pembuktian yang menjelaskan bahwa setelah dilakukan tuning hyperparameter, maka arsitektur MobileNet mencapai akurasi dengan capaian angka senilai 96,94% dan skor F1 dengan capaian angka senilai 0,969, sedangkan arsitektur VGG16 berhasil mencapai akurasi dengan mencapai angka 97,22% dan skor F1 dengan mencapai angka 0,972 dalam klasifikasi kepadatan lalu lintas. Temuan ini menegaskan bahwa optimasi hyperparameter secara signifikan dapat meningkatkan akurasi klasifikasi. Kontribusi ilmiah dari penelitian ini adalah penerapan pendekatan terstruktur dalam optimasi hyperparameter CNN dan pembuktian bahwa proses tersebut memberikan dampak langsung terhadap peningkatan performa model dalam tugas klasifikasi citra lalu lintas. Studi ini memberikan wawasan penting bagi pengembangan sistem manajemen lalu lintas cerdas, khususnya di wilayah perkotaan dengan keterbatasan sumber daya.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Convolutional Neural Network, Deep learning, Hyperparameter, Klasifikasi, kepadatan, lalu lintas, MobileNet, Optimasi, VGG. Convolutional Neural Network, Classification, Density, Deep Learning, Hyperparameter, MobileNet, Optimization, Traffic. |
| Subjects: | H Social Sciences > H Social Sciences (General) L Education > L Education (General) T Technology > T Technology (General) |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I Putu Arsana Suputra |
| Date Deposited: | 22 Jan 2026 02:00 |
| Last Modified: | 22 Jan 2026 02:00 |
| URI: | http://repo.undiksha.ac.id/id/eprint/27714 |
Actions (login required)
 |
View Item |