Pengaruh Augmentasi Data Terhadap Akurasi Pelatihan Model CNN untuk Klasifikasi Jenis Ikan

Bilah Samping Artikel

PDF
Diterbitkan: Jun 30, 2025
DOI: https://doi.org/10.62527/jitsi.6.2.471
Kata Kunci:
Convolutional Neural Network (CNN), Klasifikasi Ikan, Augmentasi Data, Akurasi

Isi Artikel Utama

Muhammad Abel Al-Fahrezi
Politeknik Negeri Padang

Abstrak

Keberlanjutan sumber daya laut dan manajemen ekosistem perairan bergantung pada klasifikasi ikan yang tepat. CNN telah terbukti berhasil dalam tugas klasifikasi gambar; namun, ia sering menghadapi masalah keterbatasan variasi data. Tujuan penelitian ini adalah untuk melihat bagaimana peningkatan data mempengaruhi akurasi pelatihan model CNN untuk klasifikasi jenis ikan. Dipelajari dua skenario: skenario pertama melibatkan pelatihan tanpa augmentasi data, dan skenario kedua melibatkan pelatihan dengan augmentasi data. Dalam kedua skenario, arsitektur CNN khusus selama sepuluh epoch digunakan. Hasil eksperimen menunjukkan bahwa menggunakan augmentasi data dengan konfigurasi yang digunakan justru menyebabkan kinerja model menjadi lebih buruk. Nilai loss pada kedua set data meningkat, dengan akurasi pelatihan turun dari 76,08% menjadi 63,81%, dan akurasi validasi juga turun dari 91,13% menjadi 84,55%. Parameter augmentasi yang terlalu agresif atau waktu pelatihan yang tidak memadai untuk variasi data yang diperkenalkan dapat menyebabkan penurunan ini. Uniknya, akurasi validasi secara konsisten lebih tinggi dari akurasi pelatihan dalam kedua situasi, menunjukkan bahwa dataset tertentu memiliki fitur tertentu. Studi ini menekankan betapa pentingnya mengoptimalkan parameter augmentasi dan durasi pelatihan dengan hati-hati untuk memaksimalkan keuntungan dari augmentasi data dalam klasifikasi gambar.

Rincian Artikel

##submission.howToCite##
Al-Fahrezi, M. A. (2025). Pengaruh Augmentasi Data Terhadap Akurasi Pelatihan Model CNN untuk Klasifikasi Jenis Ikan. JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, 6(2), 177 - 185. https://doi.org/10.62527/jitsi.6.2.471
Terbitan
Vol 6 No 2 (2025)
Bagian
Articles
##submission.license.cc.by-sa4.footer##

Referensi

[1] D. Saleky, E. Weremba, and M. A. Welikken, “Kelimpahan Dan Keanekaragaman Jenis Ikan di Perairan Ndalir Kabupaten Merauke, Papua,” Nekt. J. Perikan. dan Ilmu Kelaut., vol. 1, no. 2, pp. 33–42, 2021, doi: 10.47767/nekton.v1i2.290.
[2] N. Abdurrahman, B. Rahmat, and A. N. Sihananto, “Perbandingan Performa Klasifikasi Citra Ikan Menggunakan Metode K-Nearest Neighbor (K-NN) Dan Convolutional Neural Network (CNN),” J. Sist. Inf. dan Inform., vol. 2, no. 2, pp. 84–93, 2023, doi: 10.33379/jusifor.v2i2.3728.
[3] A. Azis, “Identifikasi Jenis Ikan Menggunakan Model Hybrid Deep Learning Dan Algoritma Klasifikasi,” Sebatik, vol. 24, no. 2, pp. 201–206, 2020, doi: 10.46984/sebatik.v24i2.1057.
[4] S. S. Asmoro, M. F. Amrulloh, M. A. Toybah, and M. A. Saputra, “Rancang Bangun Aplikasi Mobile Untuk Klasifikasi Jenis Ikan Koi Menggunakan Algoritma Convolutional Neural Network,” Semin. Nas. Teknol. Sains, vol. 3, no. 1, pp. 270–277, 2024, doi: 10.29407/stains.v3i1.4312.
[5] L. Vanneschi and M. Castelli, Multilayer perceptrons, vol. 1–3. 2018. doi: 10.1016/B978-0-12-809633-8.20339-7.
[6] M. Hashemi, “Enlarging smaller images before inputting into convolutional neural network: zero-padding vs. interpolation,” J. Big Data, vol. 6, no. 1, 2019, doi: 10.1186/s40537-019-0263-7.
[7] A. Performance, E. Alshdaifat, D. Alshdaifat, A. Alsarhan, F. Hussein, and S. Moh, “The Effect of Preprocessing Techniques , Applied to Numeric,” Data, vol. 6, no. 11, 2021.
[8] M. F. Gunardi, “Implementasi Augmentasi Citra pada Suatu Dataset,” J. Inform., vol. 9, no. 1, pp. 1–5, 2023.
[9] S. Calderon-ramirez et al., “Correcting data imbalance for semi-supervised COVID-19 detection using X-ray chest images,” no. January, 2020.
[10] A. H. Khan, X. Cao, S. Li, V. N. Katsikis, and L. Liao, “BAS-ADAM: An ADAM based approach to improve the performance of beetle antennae search optimizer,” IEEE/CAA J. Autom. Sin., vol. 7, no. 2, pp. 461–471, 2020, doi: 10.1109/JAS.2020.1003048.
[11] Y. Shao et al., “An Improvement of Adam Based on a Cyclic Exponential Decay Learning Rate and Gradient Norm Constraints,” Electron., vol. 13, no. 9, 2024, doi: 10.3390/electronics13091778.
[12] C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2019, doi: 10.1186/s40537-019-0197-0.
[13] L. Perez and J. Wang, “The Effectiveness of Data Augmentation in Image Classification using Deep Learning,” 2017, [Online]. Available: http://arxiv.org/abs/1712.04621
[14] M. Elgendi et al., “The Effectiveness of Image Augmentation in Deep Learning Networks for Detecting COVID-19: A Geometric Transformation Perspective,” Front. Med., vol. 8, no. March, pp. 1–12, 2021, doi: 10.3389/fmed.2021.629134
[15] Hidra Amnur, A. K. Vadreas, and M. Ridwan, “Aplikasi Pendeteksi Kematangan Tanaman Menggunakan Metode Transformasi Ruang Warna HSI (Hue, Saturation, Intensity) dan K-NN (K- Nearest Neighbor)”, jitsi, vol. 5, no. 4, pp. 161 -167, Dec. 2024.
[16] C. Lei, B. Hu, D. Wang, S. Zhang, and Z. Chen, “A preliminary study on data augmentation of deep learning for image classification,” ACM Int. Conf. Proceeding Ser., pp. 7–10, 2019, doi: 10.1145/3361242.3361259.