MUFADHAL, Raihan (2025) Penentuan Hyperparameter Terbaik Menggunanakn Arsitektur Inception V3 Untuk Klasifikasi Citra Rambu Lalu Lintas. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (31kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (79kB)
	Text 4. KATA PENGANTAR.pdf Restricted to Repository staff only Download (181kB) | Request a copy
	Text 6. ABSTRAK.pdf Download (6kB)
	Text 7. ABSTRACT.pdf Download (6kB)
	Text 8. DAFTAR ISI.pdf Download (80kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (89kB)

Abstract

ABSTRAK
Seiring dengan meningkatnya kebutuhan transportasi akibat pertumbuhan penduduk, angka
kecelakaan lalu lintas juga turut mengalami peningkatan, terutama disebabkan oleh faktor
pengemudi yang tidak mematuhi rambu lalu lintas. Autonomous Driving System (ADS) hadir
sebagai solusi dengan memanfaatkan teknologi machine learning untuk mengenali dan
mengambil keputusan berdasarkan objek di sekitar kendaraan, seperti rambu lalu lintas.
Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra rambu lalu lintas
menggunakan Convolutional Neural Network (CNN) dengan arsitektur InceptionV3. Data
dibagi menjadi tiga yaitu training, validation, dan testing. Pelatihan dilakukan dalam 36
eksperimen untuk memperoleh hyperparameter terbaik, di antaranya dropout, batch size,
dan learning rate. Model terbaik yang didapat pada penelitian ini yaitu dengan
hyperparameter dropout 0,3; batch size 8; dan learning rate 0,001. Model tersebut
menghasilkan akurasi sebesar 99,20% dan f1-score sebesar 99,21%. Penelitian ini
membuktikan bahwa susunan hyperparameter tersebut dinilai menjadi susunan dengan
tingkat overfitting terendah jika dibandingkan dengan susunan hyperparameter pada
skenario lain.
Kata Kunci : Klasifikasi, Rambu Lalu Lintas, Arsitektur InceptionV3, CNN, Autonomous
Driving System, Deep Learning.

Actions (login required)

View Item