<![CDATA[Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi plankton secara otomatis dengan pendekatan hibrida CNN-ELM. Menggunakan Convolutional Neural Network (CNN) untuk ekstraksi fitur dan Extreme Learning Machine (ELM) sebagai pengklasifikasi, model ini dirancang untuk mengatasi tantangan citra plankton yang buram, dataset kecil, dan ketidakseimbangan kelas. SMOTE digunakan untuk menangani ketidakseimbangan data. Dari implementasi SMOTE dengan metode interpolasi, permasalahan ketidakseimbangan kelas berhasil diatasi dengan menjadikan jumlah data latih sama rata untuk setiap kelas. Dari hasil pengujian, konfigurasi dengan 32 filter dan 2000 hidden node serta 64 filter dan 2000 hidden node memberikan performa terbaik dengan akurasi 97,78%. Sebaliknya, model dengan 64 filter dan 4000 hidden node menunjukkan performa terendah dengan akurasi 82,78% yang diakibatkan overfitting. Analisis confusion matrix mengungkapkan kinerja tinggi pada beberapa kelas plankton, namun masih kesalahan klasifikasi sering terjadi pada kelas seperti Alexandrium, Noctiluca, dan Nitzschia. Temuan ini menunjukkan bahwa konfigurasi dengan filter dan node yang lebih kompleks tidak selalu menghasilkan kinerja lebih baik. Penelitian ini diharapkan dapat mendukung pengambilan keputusan di bidang kelautan.]]>
Copyrights © 2024
