<![CDATA[ Convolutional Neural Network (CNN) mampu mengenali pola visual pada berbagai skala dan orientasi, menjadikannya unggul dalam tugas pengenalan gambar seperti klasifikasi objek, deteksi, dan segmentasi citra. Namun, CNN menghadapi tantangan dalam mengelola dataset dengan latar belakang kompleks yang dapat mengganggu ekstraksi fitur utama. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi citra pada model CNN melalui teknik segmentasi latar belakang. Model memiliki performa baik dalam mendeteksi gesture batu dan kertas dengan akurasi tinggi, terutama pada citra yang memiliki latar belakang tersegmentasi dengan baik. Namun, kualitas segmentasi latar belakang citra sangat mempengaruhi keakuratan prediksi. Untuk hasil yang lebih konsisten, diperlukan peningkatan pre-processing, terutama pada teknik segmentasi latar belakang citra. Dataset yang digunakan terdiri dari citra permainan gunting, batu, dan kertas dengan latar belakang warna hijau yang telah dilabeli. Selanjutnya segmentasi citra dilakukan menggunakan deteksi warna HSV untuk latar belakang citra berwarna hijau dan thresholding Otsu untuk menghilangkan elemen latar belakang citra selain warna hijau. Citra hasil segmentasi kemudian diproses melalui augmentasi data, normalisasi batch, dan transfer learning. Model CNN dilatih menggunakan optimizer Adam dan fungsi loss categorical cross-entropy dengan model pralatih VGG16. Evaluasi model dilakukan menggunakan analisis confusion matrix, pengukuran akurasi, serta visualisasi training-validation loss. Hasil uji model menunjukkan akurasi prediksi citra di atas 97%, hal ini menegaskan bahwa penghapusan latar belakang dapat meningkatkan performa CNN. ]]>
Copyrights © 2026
