IMPLEMENTASI ALGORITMA TRANSFER LEARNING UNTUK PENGENALAN DAN KLASIFIKASI CITRA KUE TRADISIONAL INDONESIA

Yanuar, Alfi (2025) IMPLEMENTASI ALGORITMA TRANSFER LEARNING UNTUK PENGENALAN DAN KLASIFIKASI CITRA KUE TRADISIONAL INDONESIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (178kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (776kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (190kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (936kB)
	Text (BAB V) BAB V.pdf Download (48kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (169kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4114.zip Restricted to Repository staff only Download (692kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (750kB)

Abstract

Kue tradisional di Indonesia merupakan warisan budaya yang memiliki keberagaman yang sangat kaya dan menjadi bagian penting dari warisan kuliner bangsa. Namun, proses pengenalan dan klasifikasi manual kue tradisional seringkali rumit dan memakan waktu yang lama, sehingga menyulitkan pengenalan serta pengembangan budaya ini. Dengan perkembangan teknologi komputer, khususnya pengenalan citra berbasis kecerdasan buatan, diharapkan dapat menjadi solusi yang efektif untuk mengenali dan mengklasifikasi berbagai jenis kue tradisional secara otomatis dan akurat. Penelitian ini membahas penggunaan transfer learning dengan model CNN seperti EfficientNetB0, MobileNetV2, dan NASNetMobile untuk mengklasifikasi citra kue tradisional Indonesia. Dataset yang digunakan terdiri dari 1.845 gambar dari platform Kaggle yang mencakup 8 kategori kue tradisional, dengan distribusi yang cukup seimbang. Dalam prosesnya, dilakukan preprocessing citra, augmentasi data, serta menggunakan teknik early stopping untuk menghindari overfitting. Pemilihan optimizer seperti Adam, RMSprop, dan SGD dilakukan untuk menguji performa terbaik. Hasil evaluasi menunjukkan bahwa ketiga model mampu mencapai akurasi yang tinggi, dengan optimizer Adam menunjukkan performa paling stabil dan tinggi hingga mencapai 95%. Confusion matrix dan metrik lain menunjukkan bahwa model mampu mengenali setiap kategori dengan tingkat kesalahan yang minimal, sehingga dapat digunakan untuk mendukung pengembangan sistem otomatis pengenalan citra makanan tradisional Indonesia. Penggunaan teknik ini diharapkan dapat membantu pelestarian budaya kuliner sekaligus meningkatkan teknologi pengolahan citra makanan di masa mendatang. Disarankan agar dilakukan hypertuningparameter pada model dan dataset diperluas dan variasi kondisi pengambilan gambar ditingkatkan untuk hasil yang lebih optimal.

Actions (login required)

View Item