Skripsi/Tugas Akhir

Evaluasi Performa Arsitektur VGG16 dan VGG19 dengan Metode CNN dalam Klasifikasi Sampah Bawah Air

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Keberadaan sampah bawah air menjadi masalah lingkungan yang serius, sehingga diperlukan teknologi kecerdasan buatan (AI) untuk membantu klasifikasinya. Penelitian ini membandingkan performa dua arsitektur CNN, yaitu VGG16 dan VGG19, menggunakan dataset 2.000 gambar dalam lima kelas. Pelatihan dilakukan dengan gambar yang telah diubah ukurannya menjadi 224×224 dan 512×512 piksel, serta variasi learning rate 10⁻³ hingga 10⁻⁶. Hasil penelitian menunjukkan bahwa VGG16 lebih unggul dalam akurasi dan efisiensi dibandingkan VGG19. Pada ukuran 224×224, VGG16 mencapai akurasi 96,3%, sementara VGG19 hanya mencapai 92,2%. Pada ukuran 512×512, VGG16 memperoleh akurasi 95,4% dan VGG19 mencapai 92,8%. Oleh karena itu, VGG16 dengan learning rate 10⁻⁶ dan ukuran gambar 224×224 menjadi kombinasi terbaik untuk klasifikasi sampah bawah air karena lebih akurat, stabil, dan efisien dalam hal waktu pelatihan.
Kata Kunci: Sampah Bawah Air, Convolutional Neural Network, VGG16, dan VGG19

ABSTRACT
The presence of underwater trash is a serious environmental problem, so artificial intelligence (AI) technology is needed to assist in its classification. This study compares the performance of two CNN architectures, VGG16 and VGG19, using a dataset of 2,000 images in five classes. Training was conducted with images that had been resized to 224×224 and 512×512 pixels, and learning rate variations of 10- ³ to 10- ⁶. The results show that VGG16 is superior in accuracy and efficiency to VGG19. At 224×224 size, VGG16 achieved 96.3% accuracy, while VGG19 only achieved 92.2%. At 512×512 size, VGG16 achieved 95.4% accuracy and VGG19 achieved 92.8%. Therefore, VGG16 with a learning rate of 10- ⁶ and an image size of 224×224 is the best combination for underwater debris classification because it is more accurate, stable, and efficient in terms of training time.
Keywords: Underwater Waste, Convolutional Neural Network, VGG16, and VGG19

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 25-51 IRA e - 0842TI

Penerbit

Makassar : Universitas DIPA., 2025

Deskripsi Fisik

xvii + 123 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 25-51

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 25 Februari 2025

Subjek

Skripsi/Tugas Akhir
Convolutional Neural Network

Lampiran File