Optimasi Model Transfer Learning menggunakan Sequential Hyperparameter Tuning pada Klasifikasi Huruf Bisindo

Fawaid, Moh Adzka
Pramunendar, Ricardus Anggi
Winarsih, Nurul Anisa Sri
Rohman, Muhammad Syaifur
Ratmana, Danny Oka

Jurnal Simetris
Vol. 17 No. 1 (2026): JURNAL SIMETRIS VOLUME 17 NO 1 TAHUN 2026

Klasifikasi huruf alfabet Bahasa Isyarat Indonesia (Bisindo) menjadi fokus penting dalam bidang computer vision. Variasi posisi tangan, pencahayaan, dan kemiripan antar huruf menyebabkan kesulitan dalam mengenali pola visual Bisindo. Penelitian ini menerapkan Convolutional Neural Network (CNN) berbasis Transfer Learning (TL) untuk menganalisis pengaruh hyperparameter terhadap kinerja model menggunakan metode Coordinate Descent Search. Empat arsitektur diuji, yaitu EfficientNetB0, EfficientNetB1, ResNet18, dan ResNet50, pada dataset Bisindo yang berisi 6.760 citra tangan huruf A–Z. Optimasi dilakukan secara sekuensial pada lima parameter: batch size, learning rate, dropout rate, optimizer, dan epoch. Hasil menunjukkan learning rate optimal antara 0.0001–0.0003 dengan batch size kecil (16) efektif untuk model ringan, sedangkan ResNet50 optimal pada batch size 64. Model ResNet50 menghasilkan akurasi 93,17%, precision 93,26%, recall 93,15%, dan F1-score 93,13%. Hal ini menunjukkan bahwa TL efektif untuk klasifikasi Bisindo, dan arsitektur lebih dalam seperti ResNet50 memberikan performa terbaik.