Optimasi Hyperparameter Convolutional Neural Network untuk Klasifikasi Citra Makanan Selingan

Abstract

Optimasi hyperparameter adalah langkah mendasar dalam meningkatkan kinerja model Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengoptimalkan hyperparameter dalam arsitektur EfficientNetB0 menggunakan Genetic Algorithm (GA) untuk meningkatkan akurasi klasifikasi gambar snack. Dataset citra makanan selingan terdiri dari 250 citra yang diklasifikasikan dalam 10 kelas, dengan 80% dialokasikan untuk data pelatihan dan 20% untuk data validasi. Proses optimasi dilakukan dengan menentukan nilai terbaik dari learning rate, dropout rate, dan batch size. Metode GA diterapkan untuk menemukan kombinasi optimal melalui proses seleksi, crossover, dan mutasi selama beberapa generasi. Hasilnya menunjukkan bahwa penggunaan GA dapat menentukan kombinasi hyperparameter yang meningkatkan akurasi model dibandingkan dengan seleksi manual. Kombinasi hyperparameter terbaik yang diperoleh adalah learning rate 0,000670, dropout rate 0,34, dan freeze ratio 0,73. Untuk mencegah overfitting, selama pelatihan diterapkan penghentian dini dan pengurangan tingkat training. Model ini dilatih untuk 40 epoh dan memperoleh 92% akurasi validasi. Hasil ini menunjukkan efektivitas GA dalam mempercepat proses menemukan hiperparameter optimal di CNN berbasis EfficientNetB0, terutama untuk kumpulan data citra makanan skala kecil yang rentan terhadap overfitting.

GS Cited Analysis