ARDADI, STEFANIE KEYSHYA (2026) EVALUASI EFEKTIVITAS DWT SEBAGAI PRAPEMROSESAN PADA CNN UNTUK KLASIFIKASI CITRA BUNGA. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01_Cover.pdf Download (516kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02_Bab1.pdf Restricted to Registered users only Download (97kB) |
|
|
Text (BAB II)
03_Bab2.pdf Restricted to Registered users only Download (117kB) |
|
|
Text (BAB III)
04_Bab3.pdf Restricted to Registered users only Download (327kB) |
|
|
Text (BAB IV)
05_Bab4.pdf Restricted to Registered users only Download (550kB) |
|
|
Text (BAB V)
06_Bab5.pdf Restricted to Registered users only Download (90kB) |
|
|
Text (DAFTAR PUSTAKA)
07_DaftarPustaka.pdf Restricted to Registered users only Download (95kB) |
|
|
Text (LAMPIRAN)
08_Lampiran.pdf Restricted to Registered users only Download (305kB) |
Abstract
Discrete Wavelet Transform (DWT) is a frequency analysis technique widely used in image processing to extract texture information, reduce noise, and highlight relevant frequency components. On the other hand, Convolutional Neural Network (CNN) has been proven effective in image classification through its automatic feature extraction capabilities. However, studies are still needed to determine the extent to which the integration of DWT as a preprocessing stage can improve CNN performance, especially for flower images that have variations in shape, texture, and non-uniform lighting conditions. This study aims to evaluate the effectiveness of DWT as a preprocessing stage in improving CNN performance for flower image classification. The experimental method uses two identical models with conventional CNN architecture, where the first model (baseline) is trained using the original image, while the second model is trained using the image resulting from level-1 DWT decomposition with the 'db1' wavelet that produces four frequency subbands (LL, LH, HL, HH). The dataset used is Flower Photos with five classes: daisy, dandelion, roses, sunflowers, and tulips. The results showed that the baseline CNN model achieved an accuracy of 80.76%, while the CNN model with DWT preprocessing achieved an accuracy of 82.91%, representing an absolute improvement of 2.15%. Further analysis through Grad-CAM revealed that the multiresolution representation of DWT allows the model to focus more on discriminative textural and structural features. These findings confirm that DWT serves effectively as a preprocessing technique that enriches feature representation through spatial frequency decomposition, thereby enhancing the CNN's capability in handling visual variability in flower images. Keywords: Discrete Wavelet Transform (DWT), Convolutional Neural Network (CNN), Image Preprocessing, Flower Image Classification, Feature Extraction. Discrete Wavelet Transform (DWT) merupakan teknik analisis frekuensi yang digunakan secara luas dalam pengolahan citra untuk mengekstraksi informasi tekstur, mereduksi derau, serta menyoroti komponen frekuensi yang relevan. Di sisi lain, Convolutional Neural Network (CNN) telah terbukti efektif dalam klasifikasi citra melalui kemampuan ekstraksi fitur secara otomatis. Namun, masih diperlukan kajian mengenai sejauh mana integrasi DWT sebagai tahap prapemrosesan dapat meningkatkan performa CNN, khususnya pada citra bunga yang memiliki variasi bentuk, tekstur, serta kondisi pencahayaan yang tidak seragam. Penelitian ini bertujuan mengevaluasi efektivitas DWT sebagai tahap prapemrosesan dalam meningkatkan performa CNN untuk klasifikasi citra bunga. Metode eksperimen menggunakan dua model identik dengan arsitektur CNN konvensional, dimana model pertama (baseline) dilatih menggunakan citra asli, sedangkan model kedua dilatih menggunakan citra hasil dekomposisi DWT level-1 dengan wavelet 'db1' yang menghasilkan empat subband frekuensi (LL, LH, HL, HH). Dataset yang digunakan adalah Flower Photos dengan lima kelas: daisy, dandelion, roses, sunflowers, dan tulips. Hasil penelitian menunjukkan bahwa model baseline CNN mencapai akurasi 80,76%, sementara model CNN dengan prapemrosesan DWT mencapai akurasi 82,91%, menunjukkan peningkatan sebesar 2,15% absolut. Analisis lebih lanjut melalui Grad-CAM mengungkapkan bahwa representasi multiresolusi dari DWT memungkinkan model lebih fokus pada fitur tekstural dan struktural yang diskriminatif. Temuan ini mengkonfirmasi bahwa DWT berfungsi efektif sebagai teknik prapemrosesan yang memperkaya representasi fitur melalui dekomposisi frekuensi spasial, sehingga meningkatkan kapabilitas CNN dalam menangani variabilitas visual pada citra bunga. Kata kunci: Discrete Wavelet Transform (DWT), Convolutional Neural Network (CNN), Prapemrosesan Citra, Klasifikasi Citra Bunga, Ekstraksi Fitur.
Actions (login required)
 |
View Item |
