TY  - THES
M1  - masters
UR  - https://eprints.amikom.ac.id/id/eprint/31766/
AV  - public
KW  - Stacking
KW  -  Pembelajaran ensemble
KW  -  Citra batuan
KW  -  CNN
KW  -  SVM
KW  -  Ensemble learning
KW  -  Rock image
Y1  - 2025/12/02/
ID  - universitasamikomyogyakarta31766
N2  - Penelitian 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.
PB  - Universitas AMIKOM Yogyakarta
A1  - Rudiyanto, Rudiyanto
TI  - MODEL STACKING CNN UNTUK KLASIFIKASI CITRA BATUAN
ER  -