Implementasi Arsitektur MobilenetV3

(Studi Kasus Klasifikasi Jamur Beracun)

Abstrak

ABSTRAK
Mobilenet adalah arsitektur model Convolutional Neural Network yang implementasinya digunakan pada perangkat mobile. Dasar dari pembuatan mobilenet adalah depthwise separable convolution yang membuat arsitektur ini memiliki beban komputasi yang rendah, namun hal tersebut dapat mengurangi tingkat akurasi dari arsitektur. Penelitian dilakukan dengan mengidentifikasi 6 kelas genus jamur dengan menggunakan arsitektur MobilenetV3 dengan tidak menghiraukan beban komputasi dari arsitektur MobilenetV3 yaitu dengan menggunakan data balancing, perubahan pada stride dan penambahan layer. Hasil terbaik yang diperoleh dari model didapatkan pada model arsitektur MobilenetV3-Large, stride 1, dengan hyperparameter learning rate 0.0001, batch size 32, epoch 30, optimizer ADAM. Berdasarkan hasil dari evaluasi performa model didapatkan akurasi sebesar 0.9981 pada pengujian 2076 data uji dalam 6 kelas yang terdiri dari jenis genus jamur yang dapat dikonsumsi dan beracun.

ABSTRACT
Mobilenet is a Convolutional Neural Network architecture whose applications are used on mobile devices. The foundation of Mobilenet's creation is depthwise separable convolution, which makes this architecture have a low computational load but can reduce the accuracy level of the architecture. The research was conducted by identifying 6 classes of mushroom genera using the MobilenetV3 architecture, disregarding the computational load of MobilenetV3 by employing data balancing, changes in stride, and adding layers. The best result obtained from the model was achieved with the MobilenetV3-Large architecture, stride 1, hyperparameter learning rate of 0.0001, batch size of 32, epoch 30, and ADAM optimizer. Based on the evaluation results of the model's performance, an accuracy of 0.9981 was achieved on testing 2076 test data across 6 classes consisting of edible and toxic mushroom genera.