ANINDYA FITRI SYAHRA Primary Author mixed material bibliography Banda Aceh Fakultas MIPA Statistika 2025 id Indonesia

Skripsi

Mendeteksi masalah potensial dalam klasifikasi citra air yang diambil dengan kamera biasa adalah tugas yang menantang karena kemiripan visual antara setiap kelas, fitur tekstur kontras yang rendah, akuisisi citra dengan sudut dan penempatan kamera yang berbeda, dan adanya masalah objek lain. Penelitian ini akan melakukan identifikasi dan klasifikasi warna badan air otomatis dengan pendekatan Two-Stage Convolutional Neural Network (CNN). Proses diawali dengan teknik preprocessing data menggunakan kombinasi algoritma K-Means Clustering dan CIEDE2000, yang berhasil mengurangi data tidak relevan dan memperjelas decision boundary antar kelas. Pendekatan ini memungkinkan proses klasifikasi warna air dilakukan dengan lebih akurat. Arsitektur Two-Stage CNN yang dikembangkan terdiri dari dua tahap klasifikasi dengan hyperparameter learning rate 0,0001, batch size 32, dan jumlah layer yang berbeda pada masing-masing model. Tahap pertama mengelompokkan data ke dalam lima kelas utama (superkelas): A, B, C, D, dan E, dengan tingkat akurasi 91%. Pada tahap kedua, setiap kelas utama diklasifikasikan lebih lanjut menjadi beberapa kelas turunan (subkelas) sesuai skala Forel-Ule. Kelas A terdiri dari 5 kelas turunan (skala 1-5) dengan akurasi 89%, kelas B terdiri dari 4 kelas turunan (skala 6-9) dengan akurasi 89%, kelas C terdiri dari 4 kelas turunan (skala 10-13) dengan akurasi 87%, kelas D terdiri dari 4 kelas turunan (skala 14-17) dengan akurasi 78%, dan kelas E terdiri dari 4 kelas turunan (skala 18-21) dengan akurasi 80%. Hasil penelitian menunjukkan bahwa metode Two-Stage CNN ini efektif dalam membedakan data secara rinci pada dataset multikelas dan dapat diandalkan untuk analisis warna air alami secara lebih spesifik. NEURAL NETWORKS (COMPUTER SCIENCE) 006.32 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 150089 2025-02-14 08:58:55 2025-02-14 09:54:24 machine generated