Article Per Year (5 Year)
p-Index From 2021 - 2026
2.405
P-Index
This Author published in this journals
All Journal Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) INOVTEK Polbeng - Seri Informatika Matrix : Jurnal Manajemen Teknologi dan Informatika JITK (Jurnal Ilmu Pengetahuan dan Komputer) Pelita Masyarakat Jurnal Minfo Polgan (JMP) Jurnal Pengabdian pada Masyarakat Ilmu Pengetahuan dan Teknologi Terintegrasi MATRIX : JURNAL MANAJEMEN TEKNOLOGI DAN INFORMATIKA Jurnal Informatika Polinema (JIP) Jurnal Ilmu Komputer dan Sistem Informasi
Kunti Eliyen
PSDKU Politeknik Negeri Malang
Humanities Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Library & Information Science Mathematics Mechanical Engineering Physics Public Health Social Sciences

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Optimasi Hyperparameter Convolutional Neural Network untuk Klasifikasi Citra Makanan Selingan Kunti Eliyen; Abidatul Izzah; Toga Aldila Cinderatama; Rinanza Zulmy Alhamri
Jurnal Minfo Polgan Vol. 15 No. 2 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i2.16523

Abstract

Optimasi hyperparameter adalah langkah mendasar dalam meningkatkan kinerja model Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengoptimalkan hyperparameter dalam arsitektur EfficientNetB0 menggunakan Genetic Algorithm (GA) untuk meningkatkan akurasi klasifikasi gambar snack. Dataset citra makanan selingan terdiri dari 250 citra yang diklasifikasikan dalam 10 kelas, dengan 80% dialokasikan untuk data pelatihan dan 20% untuk data validasi. Proses optimasi dilakukan dengan menentukan nilai terbaik dari learning rate, dropout rate, dan batch size. Metode GA diterapkan untuk menemukan kombinasi optimal melalui proses seleksi, crossover, dan mutasi selama beberapa generasi. Hasilnya menunjukkan bahwa penggunaan GA dapat menentukan kombinasi hyperparameter yang meningkatkan akurasi model dibandingkan dengan seleksi manual. Kombinasi hyperparameter terbaik yang diperoleh adalah learning rate 0,000670, dropout rate 0,34, dan freeze ratio 0,73. Untuk mencegah overfitting, selama pelatihan diterapkan penghentian dini dan pengurangan tingkat training. Model ini dilatih untuk 40 epoh dan memperoleh 92% akurasi validasi. Hasil ini menunjukkan efektivitas GA dalam mempercepat proses menemukan hiperparameter optimal di CNN berbasis EfficientNetB0, terutama untuk kumpulan data citra makanan skala kecil yang rentan terhadap overfitting.
Co-Authors Abidatul Izzah Agustono Heriadi Agustono Heriadi Ashafidz Fauzan Dianta Benni Agung Nugroho Daniel Swanjaya Dwi Rahma Fitriani Ellya Nurfarida Fadelis Sukya Fery Sofian Efendi Fery Sofian Efendi Fery Sofian Effendi Lely Indah Kurnia Rinanza Zulmy Alhamri, Rinanza Zulmy Riswanda Al Farisi Toga Aldila Cinderatama Yohan Bakhtiar