OPTIMALISASI ARSITEKTUR MOBILENET UNTUK PENGKLASIFIKASIAN CUACA
Abstract
Cuaca adalah kondisi atmosfer dengan periode waktu yang singkat. Diketahui ada beberapa jenis cuaca yaitu cuaca cerah, berawan, hujan, dan panas. Kondisi cuaca juga berpengaruh terhadap aktifitas manusia sehari-hari. Adapun beberapa sektor yang dipengaruhi oleh kondisi cuaca yaitu sektor pertanian, peternakan, akuakultur, penerbangan, dan lain-lain. Perubahan cuaca yang ekstrim dengan waktu cepat, membutuhkan analisis klasifikasi cuaca yang cepat juga. Pada penelitian ini diusulkan desain sistem klasifikasi cuaca menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNet. Selain itu, penelitian ini memanfaatkan citra digital yang berasal dari data sekunder yaitu platform Kaggle. Dengan penelitian ini dilakukan proses akuisisi citra dengan dataset yang terdiri dari 4 kelas. Kelas tersebut terdiri dari 300 citra berawan, 215 citra hujan, 253 citra cerah, dan 357 citra cerah berawan. Dari dataset keseluruhan dibagi menjadi 80% data latih, 20% data uji. Dalam Penelitian ini dilakukan pengujian beberapa parameter yang mempengaruhi peformansi sistem antara lain image size, optimizer, learning rate, nilai epoch, dan batch size. Dari kelima parameter tersebut diuji menjadi 5 skenario. Masing-masing skenario dipilih hasil yang paling baik. Sehingga diperoleh parameter yang optimal yaitu resize citra 224´224 pixel, optimizer Adamax, epoch 50, batch size 16 dan learning rate 0,0001. Dengan nilai akurasi sebesar 95,56% dan nilai loss 0,194.
Kata kunci : citra, convolutional neural network (CNN), MobileNet
References
C. Lu, D. Lin, J. Jia, and C. K. Tang, "Two-Class Weather Classification," IEEE Trans. Pattern
Anal. Mach. Intell., vol. 39, no. 12, pp. 2510-2524, 2017, doi: 10.1109/TPAMI.2016.2640295.
Y. Wang and Y. X. Li, "Research on Multi-class Weather Classification Algorithm Based on
Multi-model Fusion," Proc. 2020 IEEE 4th Inf. Technol. Networking, Electron. Autom. Control
Conf. ITNEC 2020, no. Itnec, pp. 2251-2255, 2020, doi: 10.1109/ITNEC48623.2020.9084786.
Z. Zhu, L. Zhuo, P. Qu, K. Zhou, and J. Zhang, "Extreme weather recognition using
convolutional neural networks," Proc. - 2016 IEEE Int. Symp. Multimedia, ISM 2016, pp. 621-625, 2017, doi: 10.1109/ISM.2016.81.
S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, "Klasifikasi Citra Menggunakan
Convolutional Neural Network (Cnn) Pada Caltech 101," J. Tek. ITS, vol. 5, no. 1, p. 76, 2016,
[Online]. Available: http://repository.its.ac.id/48842/
B. Pradhan and M. I. Sameen, "Manifestation of SVM-Based Rectified Linear Unit (ReLU)
Kernel Function in Landslide Modelling," Sp. Sci. Commun. Sustain., pp. 185-195, 2018, doi:
1007/978-981-10-6574-3_16.
Z. Wang and Z. Qu, "Research on Web text classification algorithm based on improved CNN
and SVM," Int. Conf. Commun. Technol. Proceedings, ICCT, vol. 2017-Octob, pp. 1958-1961,
, doi: 10.1109/ICCT.2017.8359971.
M. A. Khayer, M. S. Hasan, and A. Sattar, "Arabian date classification using CNN algorithm
with various pre-trained models," Proc. 3rd Int. Conf. Intell. Commun. Technol. Virtual Mob.
Networks, ICICV 2021, no. Icicv, pp. 1431-1436, 2021, doi:
1109/ICICV50876.2021.9388413.
C. Zhang, Z. Zhou, and L. Lin, "Handwritten Digit Recognition Based on Convolutional Neural
Network," Proc. - 2020 Chinese Autom. Congr. CAC 2020, pp. 7384-7388, 2020, doi:
1109/CAC51589.2020.9326781.
W. Sae-Lim, W. Wettayaprasit, and P. Aiyarak, "Convolutional Neural Networks Using
MobileNet for Skin Lesion Classification," JCSSE 2019 - 16th Int. Jt. Conf. Comput. Sci. Softw.
Eng. Knowl. Evol. Towar. Singul. Man-Machine Intell., pp. 242-247, 2019, doi:
1109/JCSSE.2019.8864155.
