AMANDA IKSANUL PUTRI, - (2025) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI HIJAB MENGGUNAKAN PENDEKATAN DEEP LEARNING. Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

Preview	Text (BAB GABUNGAN) LAPORAN TA TANPA BAB IV- AMANDA IKSANUL PUTRI (12150320068) - AMANDA IKSANUL PUTRI SISTEM INFORMASI.pdf - Published Version Download (5MB) | Preview
	Text (BAB HASIL) LAPORAN TA BAB IV - AMANDA IKSANUL PUTRI (12150320068) - AMANDA IKSANUL PUTRI SISTEM INFORMASI.pdf - Published Version Restricted to Repository staff only Download (1MB)
Preview	Text (SURAT PERNYATAAN PUBLIKASI) SURAT PERNYATAAN SERAH SIMPAN KARYA - AMANDA IKSANUL PUTRI (12150320068) - AMANDA IKSANUL PUTRI SISTEM INFORMASI.pdf - Published Version Download (113kB) | Preview

Abstract

Penelitian ini menerapkan Convolutional Neural Network (CNN) untuk klasifikasi gaya hijab syar’i dan belum syar’i. Tiga arsitektur deep learning pralatih, yaitu ResNet50, VGG16, dan DenseNet121, dikombinasikan dengan empat jenis optimizer: Adam, Nadam, SGDM, dan RMSprop. Dataset terdiri dari 200 gambar hijab yang diperoleh dari UIN Suska Riau dan dibagi secara seimbang menggunakan metode hold-out dengan rasio 80:20 untuk pelatihan dan pengujian. Proses pra-pemrosesan dilakukan melalui normalisasi gambar secara real-time dan augmentasi sederhana seperti rotasi dan pembalikan menggunakan Image Data Generator. Selama pelatihan, digunakan strategi penghentian dini, penyesuaian laju pembelajaran, dan penyimpanan model terbaik untuk memaksimalkan hasil. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa DenseNet121 memberikan performa terbaik, terutama saat dikombinasikan dengan Adam, Nadam, atau RMSprop, dengan akurasi dan F1-score mencapai hingga 90%. VGG16 juga menunjukkan hasil baik, khususnya saat menggunakan Adam, dengan akurasi hingga 85%. Sebaliknya, ResNet50 menunjukkan hasil lebih rendah dan mengalami overfitting. Uji statistik menggunakan ANOVA satu arah dan Tukey HSD menunjukkan perbedaan signifikan antara model, terutama antara DenseNet121 dan ResNet50. Temuan ini menegaskan pentingnya pemilihan arsitektur dan optimizer dalam klasifikasi gambar, serta mendorong penelitian pada teknik augmentasi lanjutan dan validasi silang.

Actions (login required)

View Item