FATAH, MUHAMMAD REZA AL (2026) IMPLEMENTASI MODEL KLASIFIKASI CUACA CITRA DUA CABANG MOBILENETV2 LIGHT MIXER DENGAN INTEGRASI GOOGLE TEXT TO SPEECH. S1 thesis, Universitas Mercu Buana Jakarta.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (JURNAL MAHASISWA)
TALUR+41522010010 - Muhammad reza Al-fatah.pdf Restricted to Registered users only Download (2MB) |
Abstract
This study proposes an image-based weather classification model designed to accurately recognize various sky conditions in order to provide more accessible weather information for elderly individuals and users with visual impairments. To address the limitations of lightweight models, which often struggle to capture detailed local textures and global contextual patterns simultaneously, this study develops a hybrid dual-branch architecture with early spatial feature-level fusion. The first branch combines MobileNetV2, a Feature Pyramid Network (FPN), and a selective attention mechanism to effectively extract multi-scale features, while the second branch (Mixer branch) enhances visual feature representation through patch embedding and feature mixing techniques. The outputs of both branches are then integrated through a fusion layer before being classified using a softmax classifier. The dataset consists of five weather categories, namely cloudy, foggy, rainy, shine, and sunrise, and is processed through normalization, data augmentation, and partitioning into training, validation, and testing sets. The model is trained using TensorFlow and Keras with the Adam optimizer through a two-stage training scheme over 60 epochs, comprising 20 epochs of head-only pre-training and 40 epochs of whole-model fine-tuning. The evaluation results demonstrate excellent performance, achieving a test accuracy of 97.50%, with precision, recall, and F1-score values of 0.976, 0.975, and 0.975, respectively. These results indicate that the model is capable of performing weather classification consistently and reliably across various sky conditions. With its high accuracy and relatively lightweight complexity, the proposed model has strong potential to be integrated with text-to-speech systems as a solution for enhancing the accessibility of weather information for users with special needs. Keywords: Weather Classification, Mobilenetv2, Feature Pyramid Network, Selective Attention, Feature Mixing, Accessibility. Penelitian ini mengusulkan model klasifikasi cuaca berbasis citra yang dirancang untuk mengenali berbagai kondisi langit secara akurat guna menyediakan informasi cuaca yang lebih mudah diakses bagi lansia dan pengguna dengan gangguan penglihatan. Untuk mengatasi keterbatasan model ringan yang sering mengalami kesulitan dalam menangkap tekstur lokal yang detail sekaligus pola kontekstual global, penelitian ini mengembangkan arsitektur hibrida dual-branch dengan fusi awal pada tingkat fitur spasial (early spatial feature-level fusion). Cabang pertama mengombinasikan MobileNetV2, Feature Pyramid Network (FPN), dan mekanisme selective attention untuk mengekstraksi fitur multiskala secara efektif, sedangkan cabang kedua (Mixer branch) meningkatkan representasi visual melalui teknik patch embedding dan feature mixing. Keluaran dari kedua cabang kemudian digabungkan melalui lapisan fusi sebelum diklasifikasikan menggunakan softmax classifier. Dataset yang digunakan terdiri atas lima kategori cuaca, yaitu cloudy, foggy, rainy, shine, dan sunrise, yang diproses melalui normalisasi, augmentasi data, serta pembagian data ke dalam set pelatihan, validasi, dan pengujian. Model dilatih menggunakan TensorFlow dan Keras dengan optimizer Adam melalui skema pelatihan dua tahap selama 60 epoch, yang mencakup 20 epoch head-only pre-training dan 40 epoch whole-model fine�tuning. Hasil evaluasi menunjukkan performa yang sangat baik dengan akurasi pengujian sebesar 97,50%, serta nilai precision, recall, dan F1-score masing�masing sebesar 0,976, 0,975, dan 0,975. Kinerja tersebut menunjukkan bahwa model mampu melakukan klasifikasi cuaca secara konsisten dan andal pada berbagai kondisi langit. Dengan tingkat akurasi yang tinggi serta kompleksitas yang relatif ringan, model yang diusulkan memiliki potensi untuk diintegrasikan dengan sistem text-to-speech sebagai solusi pendukung aksesibilitas informasi cuaca bagi pengguna berkebutuhan khusus. Kata Kunci : Klasifikasi Cuaca, Mobilenetv2, Feature Pyramid Network, Selective Attention, Feature Mixing, Aksesibilitas.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41522010010 |
| Uncontrolled Keywords: | Klasifikasi Cuaca, Mobilenetv2, Feature Pyramid Network, Selective Attention, Feature Mixing, Aksesibilitas. |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika 100 Philosophy and Psychology/Filsafat dan Psikologi > 150 Psychology/Psikologi > 153 Conscious Mental Process and Intelligence/Intelegensia, Kecerdasan Proses Intelektual dan Mental > 153.1 Memory and Learning/Memori dan Pembelajaran > 153.15 Learning/Pembelajaran |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | khalimah |
| Date Deposited: | 08 Sep 2026 14:57 |
| Last Modified: | 08 Sep 2026 14:57 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103716 |
Actions (login required)
 |
View Item |
