<![CDATA[Dalam era modern, kecerdasan buatan (AI) dan machine learning, khususnya teknik machine learning, telah menjadi integral dalam perkembangan teknologi. Implementasi Convolutional Neural Network (CNN) dalam klasifikasi gambar sering mengalami masalah overfitting, di mana model terlalu beradaptasi dengan data latih dan kurang mampu menggeneralisasi data uji. Untuk mencegah overfitting, penelitian ini menggunakan callback, seperti Early Stopping, Model Checkpointing, dan CSV Logging. Dataset gambar batu-kertas-gunting diperoleh dari Github Dicoding dan diproses dengan pembagian subset, augmentasi data, dan generator data. Model CNN dirancang dengan lapisan konvolusi, lapisan pooling, dan lapisan Dense. Optimizer, fungsi loss, dan metrik evaluasi dipilih sesuai tugas klasifikasi gambar. Melalui pelatihan model, akurasi meningkat dari 48.75% menjadi 98.75%, sementara loss menurun dari 0.9794 menjadi 0.0448. Evaluasi pada data validasi juga menunjukkan peningkatan konsisten. Pelatihan dihentikan pada epoch ke-18 setelah mencapai akurasi di atas 98%, untuk mencegah overfitting dan mengoptimalkan waktu pelatihan. Kesimpulan menunjukkan bahwa penggunaan callback efektif dalam mencegah overfitting dan meningkatkan akurasi model CNN dalam klasifikasi gambar batu-kertas-gunting. Ini menjadi strategi penting dalam meningkatkan kualitas hasil akhir model.]]>
Copyrights © 2024
