Wonosaputra, Mario Irawan Pratama (2024) MENGUKUR EFEKTIVITAS MODEL MOBILENET V2 DAN CNN DALAM MEMBEDAKAN GAMBAR ASLI DAN GAMBAR GENERASI AI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (989kB) |
|
Text (BAB I)
BAB I.pdf Download (169kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (631kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (762kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (680kB) |
|
Text (BAB V)
BAB V.pdf Download (67kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (91kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 20.61.0178.zip Restricted to Repository staff only Download (4MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (636kB) |
Abstract
Penelitian ini bertujuan untuk membandingkan performa model Convolutional Neural Network (CNN) dan MobileNet V2 dalam mengklasifikasikan gambar wajah asli dan gambar yang dihasilkan oleh AI. Menggunakan dataset yang diperoleh dari situs GitHub, penelitian ini menerapkan metodologi CRISP-DM yang mencakup tahapan Business Understanding, Data Understanding, Data Preparation, Modelling, dan Evaluation. Hasil evaluasi menunjukkan bahwa model CNN dengan pengoptimal Adam mencapai akurasi tertinggi sebesar 97%, diikuti oleh MobileNet V2 dengan pengoptimal Adagrad yang memperoleh akurasi 94%. Model CNN menunjukkan presisi 91% untuk kelas AI dan 93% untuk kelas REAL, dengan recall masingmasing 94% dan 90%. Sementara itu, MobileNet V2 dengan SGD mencapai akurasi 92%, menunjukkan performa yang sangat baik dalam klasifikasi. Secara keseluruhan, penelitian ini mengindikasikan bahwa kedua model efektif dalam mengidentifikasi gambar wajah asli dan generasi AI, dengan model CNN menggunakan Adam Optimizer sebagai pilihan terbaik berdasarkan hasil akurasi yang diperoleh. Penelitian ini diharapkan dapat memberikan wawasan lebih dalam mengenai kinerja model dalam klasifikasi gambar dan menjadi referensi untuk penelitian selanjutnya.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Convolutional Neural Network, Mobilenet, Klasifikasi Gambar, Akurasi, Presisi, Recall, F1 Score | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 05 Dec 2024 03:41 | ||
| Last Modified: | 05 Dec 2024 03:41 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/28645 |
Actions (login required)
 |
View Item |