PERBANDINGAN OPTIMISASI ADAM, SGD DAN RMSPROP DALAM KLASIFIKASI JENIS BERAS MENGGUNAKAN ARSITEKTUR FASTER R-CNN

FAUZI, AHMAD (2024) PERBANDINGAN OPTIMISASI ADAM, SGD DAN RMSPROP DALAM KLASIFIKASI JENIS BERAS MENGGUNAKAN ARSITEKTUR FASTER R-CNN. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (344kB) | Preview
Preview	Text (ABSTRAK) 02 Abstrak.pdf Download (32kB) | Preview
	Text (BAB I) 03 Bab 1.pdf Restricted to Registered users only Download (37kB)
	Text (BAB II) 04 Bab 2.pdf Restricted to Registered users only Download (184kB)
	Text (BAB III) 05 Bab 3.pdf Restricted to Registered users only Download (224kB)
	Text (BAB IV) 06 Bab 4.pdf Restricted to Registered users only Download (442kB)
	Text (BAB V) 07 Bab 5.pdf Restricted to Registered users only Download (26kB)
	Text (DAFTAR PUSTAKA) 08 Daftar Pustaka.pdf Restricted to Registered users only Download (94kB)
	Text (LAMPIRAN) 09 Lampiran.pdf Restricted to Registered users only Download (608kB)

Abstract

This research aims to compare the performance of three optimization algorithms ADAM, SGD, and RMSprop in rice variety classification using the Faster R-CNN architecture. Faster R-CNN is a convolutional neural network architecture designed for object detection with high accuracy and efficiency. In this study, the Faster R-CNN model was trained using a rice dataset that includes various types such as Basmathi, Rojolele, Pandan Wangi, and IR64. The study results show that the ADAM algorithm achieved the highest accuracy of 87%, followed by RMSprop with 83%, and SGD with 5%. Additionally, the ADAM algorithm demonstrated faster convergence speed compared to SGD and RMSprop. This research contributes to the selection of appropriate optimization algorithms in the context of rice variety classification, which can enhance efficiency and accuracy in technology-based agricultural applications. Keywords: ADAM, SGD, RMSprop, Faster R-CNN, Rice Classification, Optimization, Object Detection, Machine Learning. Penelitian ini bertujuan untuk membandingkan performa tiga algoritma optimisasi ADAM, SGD, dan RMSprop dalam klasifikasi jenis beras menggunakan arsitektur Faster R-CNN. Faster R-CNN merupakan arsitektur jaringan saraf konvolusional yang dirancang untuk deteksi objek dengan akurasi dan efisiensi yang tinggi. Dalam penelitian ini, model Faster R-CNN dilatih menggunakan dataset beras yang mencakup berbagai jenis seperti Basmathi, Rojolele, Pandan Wangi, dan IR64. Hasil penelitian menunjukkan bahwa algoritma ADAM memberikan akurasi tertinggi sebesar 87%, diikuti oleh RMSprop dengan akurasi 83%, dan SGD dengan akurasi 5%. Selain itu, algoritma ADAM juga menunjukkan kecepatan konvergensi yang lebih cepat dibandingkan dengan SGD dan RMSprop. Penelitian ini memberikan kontribusi pada pemilihan algoritma optimisasi yang tepat dalam konteks klasifikasi jenis beras, yang dapat meningkatkan efisiensi dan akurasi dalam aplikasi pertanian berbasis teknologi. Kata kunci: ADAM, SGD, RMSprop, Faster R-CNN, Klasifikasi Beras, Optimisasi, Deteksi Objek, Pembelajaran Mesin.

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 24 199
Call Number:	SIK/15/24/142
NIM/NIDN Creators:	41520010099
Uncontrolled Keywords:	ADAM, SGD, RMSprop, Faster R-CNN, Klasifikasi Beras, Optimisasi, Deteksi Objek, Pembelajaran Mesin.
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 > 004.2 Systems Analysis and Computer Design, Computer Architecture, Computer Performance Evaluation/Sistem Analis dan Desain Komputer, Arsitektur Komputer, Evaluasi Daya Guna dan Performa Komputer > 004.22 Computer Architecture/Arsitektur Komputer 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 > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.31 Machine Learning/Pembelajaran Mesin 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 519 Prbabilities n Applied mathematics/Matematika Terapan > 519.6 Mathematical Optimization/Matematika Optimisasi 600 Technology/Teknologi > 660 Chemical Engineering and Related Technologies/Teknologi Kimia dan Ilmu yang Berkaitan > 664 Food Technology/Teknologi Pembuatan Makanan Komersial > 664.7 Grains Product/Teknologi Pembuatan Makanan dari Padi dan Biji-bijian
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	khalimah
Date Deposited:	07 Sep 2024 01:39
Last Modified:	07 Sep 2024 01:39
URI:	http://repository.mercubuana.ac.id/id/eprint/91246

Actions (login required)

View Item