PERBANDINGAN KINERJA KLASIFIKASI CNN BERDASARKAN STRATEGI SPLIT DATA PADA BERAGAM DATASET CITRA

Deep learning berkembang pesat beberapa tahun terakhir karena kemampuannya untuk mempelajari representasi data yang kemudian digunakan untuk deteksi atau klasifikasi. Salah satu model analisis deep learning dalam klasifikasi dataset citra dengan menggunakan algoritma convolutional neural network. pada penelitian ini, peneliti menggunakan menggunakan empat strategi split data yaitu fixed train, fixed test, stratified dan random split. Begitupun dengan karakteristik dataset digunakan yaitu binary dan multiclass serta seimbang maupun tidak seimbang. Hasil penelitian memperoleh nilai pada jenis dataset binary seimbang (cat vs dog) menghasilkan akurasi sebesar 89.20% sedangkan untuk multiclass seimbang (african wildlife) menghasilkan akurasi sebesar 77.10% dan pada dataset multiclass tidak seimbang (garbage classification) menghasilkan akurasi 80.70% sedangkan untuk binary tidak seimbang (painting vs photograph) metode split data yang cocok diterapkan yakni fixed train split menghasilkan akurasi sebesar 77.10%.menunjukkan bahwa evaluasi kinerja berdasarkan eksprimen yang telah dilakukan diperoleh bahwa metode stratified split sangat cocok diterapkan pada jenis data dengan karakteristik binary seimbang, multiclass seimbang dan multiclass tidak seimbang yang mendapatkan nilai maksimal dibanding dengan jenis split data lainnya dengan alasan bahwa dataset yang proporsional mempengaruhi hasil evaluasi kinerja yang akan diperoleh.
Kata Kunci—Gambar, Klasifikasi, Data Split : Fixed Train, Fixed Test, Stratified dan Random Split