Implementasi Transfer Learning Pada Algoritma Convolutional Neural Network untuk Mengklasifikasikan Image Objek Wisata

Abstract

Penelitian ini mengklasifikasi image objek wisata dengan 9 label sky, tree, mountain, water, street, temple, garden, stone dan ricefield. Hasil labeling multi-label dapat digunakan untuk melihat frekuensi dan rekomendasi objek wisata di Jawa Tengah, dan membangun model transfer learning untuk mengetahui nilai akurasi. Klasifikasi dengan image multi-label memiliki kompleksitas tersendiri dalam proses labeling dan masih sedikit yang menggunakannya. Pengujian dan evaluasi modelmenggunakan persamaan accuracy dan f-1 score. Beberapa peneliti sebelumnya juga menyatakan semakin banyak jumlah data training dan jumlah epoch per step semakin tinggi akurasi yang dihasilkan. Berdasarkan hasil training dan evaluasi dari keempat proses training, bahwa 210 data menggunakan bs 8, lr 1e-3 dan epoch 50 menunjukan akurasi sebesar 0.8598 dengan loss 0.3245, sedangkan 290 data dengan bs 16, lr 1e-3 dan epoch 50 menunjukkan akurasi sebesar 0.8685 dengan loss 0.2903. Kemudian 594 data dengan bs 32, lr 1e-3 dan epoch 50 menunjukan akurasi sebesar 0.8852 dengan loss 0.2756, dan 1000 data dengan bs 46, lr 1e-3 dan epoch 50 menunjukkan akurasi sebesar 0.8833 dengan loss 0.2863. Hal ini dapat menjawab pernyataan bahwa semakin banyak jumlah data akan semakin tinggi akurasi yang dihasilkan, sehingga model transfer learning pada arsitektur ResNet-50 dengan data image multi-label dapat diterapkan dengan menunjukkan hasil akurasi mendekati nilai akurasi pada ResNet 50 dalam project imagenet. Adapun potensi objek wisata di Jawa Tengah, yaitu objek wisata yang bertema alam, kemudian wisata hasil olahan tangan manusia seperti tempat bersejarah, cagar budaya dan tempat rekreasi keluarga