IMPLEMENTASI CLASS WEIGHT, DATA AUGMENTATION DAN RESNET101 UNTUK MENGATASI OVERFITTING DAN IMBALANCED DATA PADA KLASIFIKASI KACANG PISTACHIO

Rahman, Moch. Raffi Dwi Saktya (2026) IMPLEMENTASI CLASS WEIGHT, DATA AUGMENTATION DAN RESNET101 UNTUK MENGATASI OVERFITTING DAN IMBALANCED DATA PADA KLASIFIKASI KACANG PISTACHIO. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030128.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB)
	Text (Similarity) RAMA_57201_221303128_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (3MB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030128_0712108103_0721018801_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (BAB 2) RAMA_57201_2213030128_0712108103_0721018801_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (565kB)
	Text (BAB 3) RAMA_57201_2213030128_0712108103_0721018801_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (440kB)
	Text (BAB 4) RAMA_57201_2213030128_0712108103_0721018801_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (838kB)
	Text (BAB 5) RAMA_57201_2213030128_0712108103_0721018801_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (252kB)
	Text (References) RAMA_57201_2213030128_0712108103_0721018801_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (216kB)
	Text (Lampiran) RAMA_57201_2213030128_0712108103_0721018801_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB)

Abstract

Kacang Pistachio merupakan komoditas pertanian bernilai ekonomi tinggi yang proses klasifikasi pasca panennya masih dilakukan secara manual, sehingga rentan terhadap kesalahan akibat kemiripan morfologi antar varietas. Penelitian sebelumnya menggunakan Resnet50 menunjukkan overfitting parah dengan gap training-validation accuracy mencapai 78%, serta belum menangani ketidakseimbangan distribusi data antara kelas Kirmizi (1232 sampel) dan Siirt (916 sampel) secara eksplisit. Penelitian ini bertujuan meningkatkan akurasi klasifikasi sekaligus mengatasi overfitting dan imbalanced data melalui implementasi Resnet101 yang dikombinasikan dengan data augmentation dan class weighting menggunakan kerangka CRISP-DM, dengan dataset 2148 citra yang dibagi rasio 80:10:10. Hasil penelitian menunjukkan bahwa model Resnet101 dengan class weighting tanpa augmentation menghasilkan performa terbaik dengan testing accuracy, precision, recall, dan F1-score masing-masing sebesar 98,31%, melampaui baseline Inception-V3 (96%) sebesar 2,31 poin persentase dan Resnet50 (86%) sebesar 12,31 poin, dengan selisih F1-score antar kelas hanya 0,51 poin. Sebaliknya, data augmentation justru menurunkan akurasi karena karakteristik latar belakang citra yang sudah sangat bersih dan homogen. Penelitian ini memiliki keterbatasan berupa dataset yang hanya mencakup dua varietas dengan kondisi citra terkontrol, sehingga penelitian selanjutnya disarankan untuk mengeksplorasi arsitektur yang lebih modern, memperluas dataset dengan kondisi pengambilan citra yang lebih bervariasi.

Available Versions of this Item

• IMPLEMENTASI CLASS WEIGHT, DATA AUGMENTATION DAN RESNET101 UNTUK MENGATASI OVERFITTING DAN IMBALANCED DATA PADA KLASIFIKASI KACANG PISTACHIO. (deposited UNSPECIFIED)
  • IMPLEMENTASI CLASS WEIGHT, DATA AUGMENTATION DAN RESNET101 UNTUK MENGATASI OVERFITTING DAN IMBALANCED DATA PADA KLASIFIKASI KACANG PISTACHIO. (deposited UNSPECIFIED) [Currently Displayed]

Actions (login required)

View Item