<![CDATA[Penelitian ini mengkaji penerapan Stochastic Gradient Descent (SGD) untuk klasifikasi gambar jamur berdasarkan citra, menggunakan dataset tidak seimbang dengan 10 kelas jamur yang berbeda. Algoritma SGD digunakan karena efisiensinya dalam menangani dataset besar serta kemampuan untuk memperbarui parameter secara bertahap guna meminimalkan fungsi loss. Penyesuaian parameter pada SGD, seperti Squared Hinge Loss untuk klasifikasi, Elastic Net sebagai regularisasi, dan optimal learning rate, dilakukan untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa akurasi model mencapai 62.4%, yang lebih tinggi dibandingkan dengan beberapa algoritma lain seperti CNN, Logistic Regression, SVM, dan Random Forest yang telah diuji pada dataset yang sama. Meskipun demikian, nilai AUC sebesar 0.775 dan F1-score 0.625 menunjukkan bahwa performa model masih belum optimal, terutama dalam menangani ketidakseimbangan data. Penggunaan teknik penyeimbangan data seperti SMOTE direkomendasikan untuk penelitian lebih lanjut guna meningkatkan performa klasifikasi pada kelas yang minoritas. Dengan penyesuaian parameter yang tepat, SGD terbukti mampu bekerja lebih baik dibandingkan model lain dalam konteks klasifikasi citra jamur. Hasil ini memberikan kontribusi signifikan dalam bidang klasifikasi berbasis citra, khususnya pada aplikasi dengan dataset yang tidak seimbang]]>
Copyrights © 2024
