Open Journal Systems

Level Optimum Hyperparameter Tuning Epoch dalam Klasifikasi Citra Bencana Kebakaran

       Rian Rahmanda Putra, Indra Griha Tofik Isa, Ahmad Bahri Joni Malyan, Ema Laila, Agum Try Wardhana

Abstract


Hyperparameter tuning menjadi bagian yang tidak terpisahkan dalam sebuah pemodelan untuk mencapai performa akurasi yang terbaik. Salah satu parameter yang digunakan dalam hyperparameter tuning adalah epoch, dimana merupakan bagian dari pelatihan dalam sebuah model untuk melihat akurasi terbaiknya. Dalam penelitian ini dilakukan hyperparameter tuning terhadap epoch untuk melihat titik optimum yang dihasilkan dengan 11 skenario epoch yakni epoch 50, epoch 55, epoch 60, epoch 65, epoch 70, epoch 75, epoch 80, epoch 85, epoch 90, epoch 95 dan epoch 100. Adapun batasan dalam penelitian ini adalah: (1) data yang dicermati merupakan citra kebakaran  sebanyak 4650 citra yang terdiri dari kondisi kebakaran dan tidak kebakaran dan (2) pemodelan dengan deep learning CNN. Tahapan yang dilakukan meliputi preparation data, image augmentation, pre-processing data, pemodelan menggunakan CNN, epoch hyperparameter tuning, dan data interpretation. Di dalam penelitian ini, acuan hasil yang optimal berpatokan pada nilai rerata accuracy dan val accuracy. Hasil penelitian menunjukkan bahwa secara keseluruhan skenario epoch memiliki rerata accuracy dan val accuracy di atas 89%, dengan terdapat 6 skenario epoch dengan persentasi rerata accuracy dan val accuracy di atas 90%, yakni epoch 85, epoch 90, epoch 80, epoch 95, epoch 75, dan epoch 100. Sedangkan untuk skenario epoch dengan nilai rerata accuracy dan val accuracy tertinggi terdapat pada epoch 85 dimana disimpulkan bahwa epoch 85 merupakan titik optimal dalam penelitian ini.


  http://dx.doi.org/10.31544/jtera.v7.i2.2022.209-216

Keywords


epoch; hyperparameter tuning; image processing; deep learning; CNN

Full Text:

  PDF

References


M. Wasil, Harianto, and Fathurrahman, “Pengaruh Epoch pada Akurasi menggunakan Convolutional Neural Network untuk Klasifikasi fashion dan Furniture,” Infotek J. Inform. dan Teknol., vol. 5, no. 1, pp. 53–61, 2022.

S. Afaq and S. Rao, “Significance Of Epochs On Training A Neural Network,” Int. J. Sci. Technol. Res., vol. 9, no. 6, pp. 485–488, 2020.

A. E. Minarno, M. H. C. Mandiri, and M. R. Alfarizky, “Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 9, no. 3, p. 493, 2021.

G. A. P. Singh and P. K. Gupta, “Performance analysis of various machine learning-based approaches for detection and classification of lung cancer in humans,” Neural Comput. Appl., vol. 31, no. 10, pp. 6863–6877, 2019.

T. Badriyah, D. B. Santoso, I. Syarif, and D. R. Syarif, “Improving stroke diagnosis accuracy using hyperparameter optimized deep learning,” Int. J. Adv. Intell. Informatics, vol. 5, no. 3, pp. 256–272, 2019.

S. M. Kumar, B. J. Sowmya, S. Priyanka, R. Sharma, S. Tej, and S. A. Karani, “Forest Fire Prediction Using Image Processing And Machine Learning,” Nat. Volatiles Essent. Oils, vol. 8, no. 4, pp. 13116–13134, 2021.

C. Boadi, S. K. Harvey, and A. Gyeke-dako, “Modelling of fire count data: fire disaster risk in Ghana,” Springer Plus J., vol. 4, no. 1, pp. 1–17, 2015.

G. I. Diaz, A. Fokoue-Nkoutche, G. Nannicini, and H. Samulowitz, “An effective algorithm for hyperparameter optimization of neural networks,” IBM J. Res. Dev., vol. 61, no. 4, pp. 1–20, 2017.

J. Wang and L. Perez, “The Effectiveness of Data Augmentation in Image Classification using Deep Learning,” ArXiv, 2017.

F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, pp. 104–108, 2020.

S. R. Reynaldi, J. Apri, and S. A. Wahyu, “Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network,” Data Inst. Teknol. Telkom Purwokerto, vol. 2, no. 1, pp. 52–57, 2022.




DOI: http://dx.doi.org/10.31544/jtera.v7.i2.2022.209-216
Abstract 42 View    PDF viewed = 12 View

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 JTERA (Jurnal Teknologi Rekayasa)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright @2016-2023 JTERA (Jurnal Teknologi Rekayasa) p-ISSN 2548-737X e-ISSN 2548-8678.

     Lisensi Creative Commons

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

 

JTERA Editorial Office:
Politeknik Sukabumi
Jl. Babakan Sirna 25, Sukabumi 43132, West Java, Indonesia
Phone/Fax: +62 266215417
Whatsapp: +62 81809214709
Website: https://jtera.polteksmi.ac.id
E-mail: jtera@polteksmi.ac.id