Pratama, Satria Daffa Athallah (2025) Evaluasi performa algoritma CNN berarsitektur TinyVGG dan VGG19 pada pengklasifikasian kendaraan bermotor / Satria Daffa Athallah Pratama</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Jumlah kendaraan yang semakin meningkat menimbulkan kebutuhan akan sistem pengawasan kendaraan terutama untuk mendukung sistem transportasi cerdas di Indonesia. Salah satu solusi yang dapat diterapkan adalah klasifikasi jenis kendaraan berbasis gambar yang berguna untuk pengaturan arus lalu lintas dan sistem pembayaran otomatis di gerbang tol. Penelitian ini bertujuan untuk mengevaluasi performa dan menentukan konfigurasi hiperparameter dengan hasil evaluasi terbaik pada dua arsitektur Convolutional Neural Networks (CNN) yaitu TinyVGG dan VGG19 dalam pengklasifikasian kendaraan bermotor. Dengan menggunakan dua dataset berbeda yaitu Vehicle Type Image Dataset 2 (VTID2) dan Vehicle Classification Dataset penelitian ini menguji berbagai konfigurasi hiperparameter untuk mendapatkan hasil optimal. Penilaian dilakukan berdasarkan akurasi presisi recall F1-score waktu pelatihan dan confussion matrix. Metodologi penelitian ini menggunakan SEMMA yang mencakup tahapan pengambilan sampel eksplorasi data modifikasi dataset 5 pemodelan dan evaluasi kinerja. Eksperimen dilaksanakan menggunakan Google Colab dengan spesifikasi GPU Tesla T4. Penelitian ini menunjukkan bahwa model VGG19 secara konsisten memiliki performa lebih unggul dibandingkan TinyVGG dalam hal akurasi dan F1- Score dengan akurasi tertinggi sebesar 97.89% pada dataset Vehicle Type Image Dataset V2 menggunakan ukuran input 224x224 batch size 32 dan optimizer Adam. Sementara itu TinyVGG meskipun akurasinya lebih rendah dengan hanya 94.31% unggul dalam efisiensi waktu pelatihan menjadikannya pilihan yang lebih sesuai untuk aplikasi dengan keterbatasan sumber daya komputasi. Hasil penelitian ini diharapkan tidak hanya memberikan kontribusi pada pengembangan model deep learning untuk klasifikasi kendaraan tetapi juga menjadi landasan bagi penelitian serupa di masa depan sekaligus mendukung penerapan sistem transportasi cerdas yang efisien dan efektif di Indonesia. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 21 Jan 2025 04:29 |
| Last Modified: | 09 Sep 2025 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/400149 |
Actions (login required)
 |
View Item |