MODEL STACKING CNN UNTUK KLASIFIKASI CITRA BATUANRudiyantoRudiyantoauthorPenelitian ini bertujuan untuk (a) menilai perbedaan akurasi di antara beberapa model stacking dalam klasifikasi citra batuan, (b) mengevaluasi kinerja klasifikasi model stacking berdasarkan metrik akurasi, precision, recall, dan F1-score serta membandingkannya dengan model non-stacking (model tunggal), dan (c) menganalisis kontribusi masing-masing model non-stacking terhadap akurasi yang dihasilkan oleh model stacking. Penelitian dilakukan secara eksperimental dengan menguji enam model CNN pralatih ResNet50, InceptionV3, VGG16, DenseNet121, MobileNetV2, dan EfficientNetB0, serta empat konfigurasi model stacking, yakni model 1 (MobileNetV2 dan EfficientNetB0), model 2 (VGG16 dan DenseNet121), model 3 (ResNet50 dan InceptionV3), dan model 4 (ResNet50 dan MobileNetV2). Masing-masing konfigurasi terdiri atas dua model sebagai base learner dan satu Support Vector Machine (SVM) sebagai meta-learner. Untuk menjamin validitas hasil, digunakan teknik Stratified KFold Cross Validation pada data pelatihan. Hasil menunjukkan bahwa seluruh konfigurasi stacking mampu melampaui hasil model tunggal. Konfigurasi stacking model 4 (ResNet50 dan MobileNetV2) mencapai akurasi pengujian tertinggi sebesar 84%, diikuti oleh model stacking model 1 (MobileNetV2 dan EfficientNetB0) dan 3 (ResNet50 dan InceptionV3) dengan 83%, serta stacking model 2 (VGG16 dan DenseNet121) dengan 81%. Sebagai perbandingan, model individu terbaik, ResNet50, mencatat akurasi 80%, sementara MobileNetV2 dan EfficientNetB0 hanya mencapai 77%. Penerapan metode stacking ini mampu memberikan peningkatan akurasi sekitar 4%-11%. Jika melihat dari sisi efisiensi, stacking model 1 memiliki ukuran model terkecil, sehingga cocok diterapkan pada perangkat dengan sumber daya terbatas namun jika dilihat dari sisi akurasinya, maka stacking model 4 sangat cocok untuk diterapkan. Analisis lebih lanjut menunjukkan bahwa masing-masing model dalam ensemble stacking memiliki peran strategis yang saling melengkapi. Model berarsitektur besar memberikan cakupan fitur mendalam, sedangkan model ringan berkontribusi dalam menangkap detail lokal. Kolaborasi ini memperkuat kemampuan generalisasi sistem terhadap data baru. Secara keseluruhan, teknik ensemble stacking terbukti efektif, adaptif, dan efisien untuk meningkatkan akurasi klasifikasi citra batuan, terutama pada dataset terbatas dan kelas dengan kemiripan visual tinggi.000 Ilmu komputer, informasi dan pekerjaan umum2025-12-02Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis