<![CDATA[Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra aksara Kaganga menggunakan deep learning, dengan memanfaatkan arsitektur model VGG16 yang telah dilatih sebelumnya pada dataset besar seperti ImageNet. Dataset yang digunakan terdiri dari citra aksara Kaganga yang telah dilabeli, dibagi menjadi tiga bagian yaitu data pelatihan (70%), data validasi (15%), dan data uji (15%). Proses pelatihan model dilakukan dengan melakukan fine-tuning pada beberapa lapisan terakhir model VGG16, sementara lapisan-lapisan awal menggunakan bobot yang telah dilatih sebelumnya. Untuk mengoptimalkan kinerja model, eksperimen dilakukan dengan menguji kombinasi berbagai batch size (16, 32, 64) dan learning rate (0.1, 0.01, 0.001), menghasilkan sembilan kombinasi parameter yang berbeda. Evaluasi model dilakukan menggunakan metrik akurasi, confusion matrix, precision, recall, dan F1-score pada data uji. Hasil eksperimen menunjukkan bahwa pengaturan hyperparameter yang tepat memiliki pengaruh signifikan terhadap kinerja model. Batch size 32 dengan learning rate 0.01 menghasilkan akurasi terbaik pada data train, validasi, dan test. Sedangkan pada batch size 16, meskipun menghasilkan hasil yang cukup baik dengan learning rate 0.01, nilai akurasi pada data test lebih rendah, menunjukkan kecenderungan overfitting pada batch size kecil. Sebaliknya, batch size 64 dengan learning rate 0.01 memberikan akurasi test terbaik, mencapai 89.1%, meskipun terdapat sedikit penurunan akurasi pada data validasi. Berdasarkan hasil tersebut, disarankan untuk menggunakan batch size 32 atau 64 dengan learning rate 0.01 untuk tugas klasifikasi aksara Kaganga menggunakan model VGG16.]]>
Copyrights © 2025
