<![CDATA[Penelitian ini bertujuan untuk meningkatkan kinerja model Convolutional Neural Network (CNN) dalam klasifikasi citra melalui penerapan teknik optimasi hyperparameter. CNN merupakan metode pembelajaran mendalam yang efektif dalam pengenalan pola visual, namun performanya sangat dipengaruhi oleh pemilihan nilai hyperparameter, seperti jumlah filter, ukuran kernel, learning rate, dan jumlah epoch. Dalam studi ini digunakan metode Bayesian Optimization untuk menentukan kombinasi hyperparameter yang optimal pada dataset citra tertentu. Eksperimen dilakukan dengan menggunakan empat arsitektur CNN, yaitu ResNet50V2, EfficientNetV2S, EfficientNetV2M, dan EfficientNetV2L. Evaluasi kinerja model dilakukan dengan menggunakan metrik akurasi, presisi, recall, f1-score, dan kappa score. Hasil penelitian menunjukkan bahwa penerapan Bayesian Optimization secara konsisten meningkatkan performa model CNN dibandingkan dengan konfigurasi default. Pada arsitektur EfficientNetV2M, optimasi dengan Bayesian Optimization menghasilkan akurasi sebesar 0,81, presisi 0,83, recall 0,77, f1-score 0,80, dan kappa score 0,61. Pada arsitektur ResNet50V2, metode ini menghasilkan precision tinggi sebesar 0,97 meskipun recall-nya 0,57, menunjukkan keunggulan dalam mengurangi kesalahan false positive. Selain itu, Bayesian Optimization juga memberikan precision 0,99 pada EfficientNetV2S. Keunggulan utama Bayesian Optimization terletak pada efisiensinya dalam mengeksplorasi ruang hyperparameter, sehingga mampu mencapai performa optimal dengan jumlah evaluasi yang lebih sedikit dibandingkan metode Random Search yang membutuhkan evaluasi lebih banyak dan kurang stabil.]]>
Copyrights © 2025
