ANALISA IMPLEMENTASI TRANSFER LEARNING MOBILENETV3 TERHADAP VARIASI FINE-TUNING TOP LAYER UNTUK KLASIFIKASI TANAMAN REMPAH

Fawzillah, Ahmad Afif (2026) ANALISA IMPLEMENTASI TRANSFER LEARNING MOBILENETV3 TERHADAP VARIASI FINE-TUNING TOP LAYER UNTUK KLASIFIKASI TANAMAN REMPAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (3MB)
	Text (BAB I) BAB I.pdf - Published Version Download (194kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (667kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (721kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (666kB)
	Text (BAB V) BAB V.pdf - Published Version Download (70kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (140kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4153.zip Restricted to Repository staff only Download (26kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra tanaman rempah menggunakan metode Transfer Learning dengan arsitektur MobileNetV3. Objek penelitian difokuskan pada empat jenis tanaman rempah yang memiliki kemiripan visual, yaitu jahe, kunyit, kencur, dan lengkuas. Tahapan penelitian meliputi pengumpulan dataset citra, proses preprocessing berupa resizing, normalisasi piksel, dan augmentasi citra, kemudian dilanjutkan dengan perancangan model menggunakan beberapa variasi top layer dan strategi pelatihan. Variasi arsitektur yang digunakan mencakup perbandingan Flatten dan GlobalAveragePooling2D serta jumlah neuron pada fully connected layer sebesar 128 dan 256. Selain itu, strategi pelatihan model dilakukan melalui tiga skenario, yaitu pembekuan seluruh lapisan base model, finetuning parsial dengan membuka sebagian lapisan akhir, serta full fine-tuning pada seluruh lapisan jaringan. Hasil pengujian menunjukkan bahwa penggunaan MobileNetV3 mampu menghasilkan performa klasifikasi yang tinggi dengan tingkat akurasi di atas 94% pada seluruh skenario. Namun demikian, fine-tuning tidak selalu memberikan peningkatan performa yang signifikan, khususnya pada dataset berukuran terbatas, dan pada beberapa konfigurasi justru berpotensi menimbulkan overfitting. Analisis lebih lanjut menggunakan confidence score menunjukkan bahwa model dengan konfigurasi Flatten + Dense (128) Full Fine-Tuning memiliki tingkat kestabilan prediksi yang lebih baik dibandingkan konfigurasi lainnya. Secara keseluruhan, penelitian ini membuktikan bahwa pemilihan arsitektur top layer, jumlah neuron, serta strategi pelatihan yang tepat berperan penting dalam meningkatkan kualitas model. MobileNetV3 terbukti menjadi solusi yang efektif dan efisien untuk klasifikasi citra tanaman rempah dengan keseimbangan antara akurasi dan kompleksitas model.

Actions (login required)

View Item