<![CDATA[Penelitian ini membahas perbandingan kinerja dua arsitektur deep learning, yaitu CNN konvensional dan ResNet50, dalam klasifikasi citra menggunakan dataset CIFAR-10. Dataset CIFAR-10 terdiri dari 60.000 citra berwarna berukuran 32×32 piksel yang terbagi ke dalam 10 kelas objek umum. Metode yang digunakan mencakup tahap preprocessing, augmentasi data, pelatihan model dengan optimizer Adam, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model ResNet50 memiliki performa yang lebih unggul dengan nilai akurasi 99.45%, presisi 99.32%, recall 99.27%, dan F1-score 99.32%, dibandingkan CNN konvensional yang hanya mencapai akurasi 96.72%. Mekanisme residual connection pada ResNet50 terbukti meningkatkan kestabilan pelatihan dan kemampuan generalisasi model terhadap data uji. Dari hasil analisis, dapat disimpulkan bahwa arsitektur ResNet50 lebih efektif untuk klasifikasi citra kompleks dibandingkan CNN konvensional. Penelitian ini memberikan kontribusi dalam pengembangan model deep learning untuk pengenalan pola visual dengan akurasi tinggi, serta membuka peluang penerapan pada bidang pengawasan visual, sistem otonom, dan analisis citra digital.]]>
Copyrights © 2025
