Optimalisasi Model CNN Untuk Klasifikasi Citra Cifar-10 Dengan Variasi Rasio Data Latih Dan Uji
DOI:
https://doi.org/10.31849/698jqg82Keywords:
Optimalisasi CNN, Klasifikasi Citra, CIFAR-10, Rasio Data, Augmentasi DataAbstract
Klasifikasi citra adalah area penelitian yang penting dalam bidang Computer Vision. Seiring dengan kemajuan teknologi dan ketersediaan data, deep learning, khususnya model Convolutional Neural Network (CNN), telah menunjukkan kinerja yang luar biasa dalam tugas ini. Namun, performa model CNN sangat bergantung pada cara data dibagi menjadi himpunan data latih dan data uji.Penelitian ini menganalisis dan membandingkan kinerja model CNN dalam klasifikasi citra pada dataset CIFAR-10 menggunakan dua variasi rasio pembagian data: 80:20 dan 60:40. Hasil dari kedua skenario ini dievaluasi menggunakan metrik akurasi, classification report, dan confusion matrix. Model CNN yang digunakan memiliki arsitektur sekuensial dengan tiga lapisan konvolusi, diikuti oleh lapisan dense.Hasil penelitian menunjukkan bahwa rasio pembagian data 60:40 menghasilkan akurasi keseluruhan yang sama dengan rasio 80:20, yaitu 74%. Meskipun jumlah data latih pada skenario 60:40 lebih sedikit (30.000 gambar), model tetap mampu mempelajari fitur-fitur penting dari dataset, didukung oleh teknik augmentasi data yang diterapkan. Temuan ini memberikan wawasan bahwa menggunakan data latih yang lebih sedikit tidak selalu mengorbankan akurasi, yang dapat bermanfaat untuk menghemat sumber daya komputasi dan waktu pelatihan.
References
[1] A. Peryanto, A. Yudhana, and R. Umar, “Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network,” Format
J. Ilm. Tek. Inform., vol. 8, no. 2, p. 138, 2020, doi: 10.22441/format.2019.v8.i2.007.
[2] L. S. Harahap and M. F. H. Kembaren, “Klasifikasi Objek Menggunakan Convolutional Neural Network pada Citra Satelit,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 2, pp. 4663–4667, 2025, doi: 10.31004/riggs.v4i2.1306.
[3] A. M. Tama and R. C. N. Santi, “Klasifikasi Jenis Tanaman Hias Menggunakan Metode Convolutional Neural Network (CNN),” INTECOMS J. Inf. Technol. Comput. Sci., vol. 6, no. 2, pp. 764–770, 2023, doi: 10.31539/intecoms.v6i2.7002.
[4] A. Nurhidayat, W. Ahmad Arrosyid, and R. Samsinar, “Prediksi Tumor Otak Menggunakan Metode Convolutional Neural Network,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 17, no. 1, p. 48, 2023, doi: 10.30872/jim.v17i1.5246.
[5] K. Azmi, S. Defit, and S. Sumijan, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” J. Unitek, vol. 16, no. 1,
pp. 28–40, 2023, doi: 10.52072/unitek.v16i1.504.
[6] Anggay Luri Pramana, “Analisis Perbandingan Evaluasi Metode Deep Learning pada Klasifikasi Jenis Kendaraan,” J. Comput. Sci. Vis. Commun. Des., vol. 9, no. 1, pp. 451–465, 2024, doi: 10.55732/jikdiskomvis.v9i1.1252.
[7] A. ANHAR and R. A. PUTRA, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 11, no. 2, p. 466, 2023, doi: 10.26760/elkomika.v11i2.466.
[8] D. Irfansyah, M. Mustikasari, and A. Suroso, “Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi,” J. Inform. J. Pengemb. IT, vol. 6, no. 2, pp. 87–92, 2021, doi: 10.30591/jpit.v6i2.2802.
[9] Y. Pant, G. Shah, R. Ojha, R. Thapa, and B. Bhatta, “Comparison of CNN Architecture of Image Classification Using CIFAR10 Datasets,” Int. J. Eng. Technol., vol. 1, no. 1, pp. 37–52, 2023, doi: 10.3126/injet.v1i1.60898.
[10] T. Turahman, E. Hasmin, and K. Aryasa, “Analisis Perbandingan Metode Convolutional Neural Network,” (Jurnal Teknol. Inf. dan Komunikasi), vol. 9, no. March, pp. 368–377, 2025.
