PENERAPAN ARSITEKTUR VISION TRANSFORMER UNTUK IDENTIFIKASI 15 VARIASI CITRA IKAN KOI

Uthama, Rayhan (2024) PENERAPAN ARSITEKTUR VISION TRANSFORMER UNTUK IDENTIFIKASI 15 VARIASI CITRA IKAN KOI. Masters thesis, Universitas Putra Indonesia YPTK Padang.

	Text Tesis_221321036_RAYHAN UTHAMA_Abstrak.pdf Download (277kB)
	Text Tesis_221321036_RAYHAN UTHAMA_Daftar Pustaka.pdf Download (120kB)
	Text Tesis_221321036_RAYHAN UTHAMA_BAB I.pdf Download (142kB)
	Text Tesis_221321036_RAYHAN UTHAMA_Full Text.pdf Restricted to Repository staff only Download (15MB)

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan berbagai jenis ikan koi dengan menggunakan Vision Transformer (ViT). Penulis mencatat bahwa penelitian sebelumnya menggunakan Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) untuk identifikasi ikan koi dengan tingkat akurasi 84%. Meskipun hasil CNN tinggi, ada ruang untuk peningkatan akurasi. Sebagai metode penelitian, penulis mengusulkan penerapan arsitektur ViT untuk meningkatkan akurasi klasifikasi ikan koi. ViT berasal dari Transformer, menggunakan mekanisme perhatian diri dan memiliki kekuatan representasi data lebih baik daripada CNN. Jumlah dan kelas dataset ikan koi dipertahankan dari penelitian sebelumnya, sementara dataset gambar ikan koi yang digunakan pada penelitian ini dikumpulkan dari internet. Penelitian dilakukan dengan menerapkan ViT dan menganalisisnya sebagai classifier model pada dataset tersebut. Hasilnya menunjukkan tingkat akurasi rata-rata 88% pada semua kelas data pengujian. Selain itu, penulis melibatkan dua pengujian tambahan untuk mengevaluasi pengaruh augmentasi data terhadap performa model. Hasil pengujian menunjukkan bahwa model dengan augmentasi gambar latih mencapai tingkat akurasi 95%, sedangkan model tanpa augmentasi mencapai akurasi 87%. Analisis ini memberikan wawasan yang signifikan tentang dampak positif augmentasi terhadap kinerja sistem, khususnya pada konteks klasifikasi ikan koi. Dengan demikian, penelitian ini tidak hanya memvalidasi efektivitas ViT dalam meningkatkan akurasi, tetapi juga membuka ruang eksplorasi untuk algoritma dan teknik baru, termasuk penerapan augmentasi data dalam penelitian klasifikasi ikan koi. Hasil ini menjadi kontribusi penting dalam pengembangan lebih lanjut di bidang ini. Kata kunci: Deep Learning, Vision Transformer, PyTorch, Citra, Ikan Koi.

Actions (login required)

View Item