SUSANTO, MUCHAMMAD (2025) PENERAPAN CONVOLUTIONAL NEURAL NETWORK (CNN) DALAM IDENTIFIKASI IKAN TONGKOL, CAKALANG, DAN TUNA DENGAN ARSITEKTUR XCEPTION: PERBANDINGAN DENGAN ARSITEKTUR RESNET. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (481kB) | Preview |
|
![]() |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (96kB) |
|
![]() |
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (228kB) |
|
![]() |
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (66kB) |
|
![]() |
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (402kB) |
|
![]() |
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (29kB) |
|
![]() |
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (29kB) |
|
![]() |
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (647kB) |
Abstract
Tujuan penelitian ini adalah untuk membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN), Xception dan ResNet, dalam klasifikasi spesies ikan Tuna, Tongkol, dan Cakalang. Kedua model CNN tersebut diuji pada dataset yang berisi gambar ikan dengan berbagai kondisi pencahayaan dan posisi. Untuk meningkatkan efisiensi komputasi, Xception menggunakan pergeseran kedalaman yang terpisah, sementara ResNet menangani masalah vanishing gradient pada jaringan dalam dengan menggunakan koneksi residual. Hasil eksperimen menunjukkan bahwa Xception lebih efisien dalam hal waktu pelatihan dan inferensi, dengan akurasi klasifikasi rata-rata 92 persen. Sementara itu, ResNet mencapai akurasi yang lebih tinggi, sebesar 94 persen, meskipun membutuhkan waktu yang lebih lama untuk pelatihan dan inferensi.Sementara ResNet lebih baik menangani dataset yang lebih besar dan kompleks, Model Xception lebih baik untuk generalisasi pada dataset yang terbatas. Namun, kedua model menghadapi masalah menghindari overfitting pada dataset kecil, meskipun masalah ini dapat diselesaikan dengan teknik regularisasi dan peningkatan data. Studi ini menemukan bahwa pilihan antara Xception dan ResNet bergantung pada siapa yang lebih memprioritaskan efisiensi komputasi dan akurasi. Xception lebih cocok untuk aplikasi real-time yang membutuhkan kecepatan, sedangkan ResNet lebih cocok untuk aplikasi yang memprioritaskan akurasi tinggi pada dataset yang lebih besar dan kompleks. Hasil penelitian ini dapat digunakan sebagai referensi untuk mengembangkan sistem klasifikasi ikan yang efektif dan akurat yang berbasis CNN. Kata Kunci: Convolutional Neural Network (CNN), Xception Architecture, ResNet, Deep Learning, identifikasi spesies ikan, klasifikasi gambar.
Actions (login required)
![]() |
View Item |