Evaluasi performa framework tensorflow dan pytorch pada klasifikasi angka dengan model resnet50 / Pyndho Cevin Taraya</p>

Taraya, Pyndho Cevin (2025) Evaluasi performa framework tensorflow dan pytorch pada klasifikasi angka dengan model resnet50 / Pyndho Cevin Taraya</p>. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

p Penelitian ini mengevaluasi performa framework TensorFlow dan PyTorch dalam tugas klasifikasi angka menggunakan model ResNet50. Tujuan utama penelitian ini adalah menentukan konfigurasi hyperparameter yang optimal membandingkan akurasi serta metrik evaluasi lainnya (presisi Recall dan F1-Score) pada berbagai Dataset angka termasuk MNIST dan Handwritten Digits 0-9 serta menganalisis efisiensi waktu pelatihan dan inferensi pada kedua framework. Dengan menggunakan metodologi SEMMA (Sample Explore Modify Model Assess) penelitian ini melakukan eksperimen dengan variasi hyperparameter seperti optimizer learning rate batch size dan jumlah epoch. Hasil penelitian menunjukkan bahwa hyperparameter optimal meliputi optimizer SGD untuk performa stabil Learning rate 0 01 untuk akurasi lebih tinggi batch size 64 untuk efisiensi waktu pelatihan dan 5 epoch untuk keseimbangan performa dan efisiensi komputasi. Model ResNet50 mencapai akurasi melebihi 98% pada kedua Dataset dengan PyTorch sedikit lebih unggul pada Dataset MNIST (98 90% vs. 98 56%) sementara TensorFlow unggul pada Dataset Handwritten Digits 0-9 (99 21% vs. 86 36%). Dalam hal waktu pelatihan PyTorch menunjukkan efisiensi yang lebih baik dengan waktu pelatihan yang lebih cepat pada kedua Dataset. Penelitian ini menyoroti keunggulan PyTorch dalam efisiensi pelatihan dan keandalan TensorFlow dalam stabilitas akurasi pada berbagai Dataset. Studi ini memberikan wawasan dan panduan praktis bagi pengembang dalam memilih framework dan konfigurasi untuk klasifikasi angka menggunakan ResNet50. /p

Item Type:	Thesis (Diploma)
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	library UM
Date Deposited:	22 Jan 2025 04:29
Last Modified:	09 Sep 2025 03:00
URI:	http://repository.um.ac.id/id/eprint/400173

Actions (login required)

View Item