Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Biner : Jurnal Ilmiah Informatika dan Komputer
Arie Nugroho
Univesitas Nusantara PGRI Kediri
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
IMPLEMENTASI CLASS WEIGHT, DATA AUGMENTATION DAN RESNET101 UNTUK MENGATASI OVERFITTING DAN IMBALANCED DATA PADA KLASIFIKASI PISTACHIO Moch. Raffi Dwi Saktya Rahman; Arie Nugroho; Aidina Ristyawan
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11352

Abstract

Klasifikasi kacang Pistachio varietas Kirmizi dan Siirt secara manual rentan terhadap kesalahan akibat kemiripan morfologi antar varietas, sementara penelitian sebelumnya menggunakan ResNet50 mengalami overfitting parah dengan gap accuracy 78% dan belum menangani ketidakseimbangan data secara eksplisit. Penelitian ini bertujuan mengimplementasikan ResNet101 dengan augmentasi data dan class weighting untuk meningkatkan akurasi klasifikasi sekaligus mengatasi overfitting dan imbalanced data. Metode yang digunakan adalah kerangka CRISP-DM dengan 2148 citra (rasio 80:10:10) dan empat skenario eksperimen kombinasi data augmentasi dan class weighting berbasis Transfer Learning ResNet101. Hasil menunjukkan ResNet101 dengan class weighting tanpa augmentasi mencapai accuracy, precision, recall, dan F1-score sebesar 98,31%, melampaui Inception-V3 (96%) sebesar 2,31 poin dan ResNet50 (86%) sebesar 12,31 poin, dengan class weighting lebih bermanfaat saat dikombinasikan augmentasi dibanding kondisi data bersih. Augmentasi justru menurunkan akurasi karena latar belakang citra yang homogen, menunjukkan efektivitasnya bergantung pada karakteristik dataset dan bukan berlaku universal. Disimpulkan bahwa ResNet101 dengan class weighting tanpa augmentasi merupakan konfigurasi optimal untuk dataset Pistachio berkarakteristik visual homogen, dan penelitian lanjutan disarankan mengeksplorasi arsitektur modern dengan dataset lebih bervariasi.
Co-Authors Aidina Ristyawan Moch. Raffi Dwi Saktya Rahman