13516094_AhmadFaisholHuda_Cover.pdf8?
PUBLIC karya 13516094_AhmadFaisholHuda_AbstrakIndonesia.pdf
iu
PUBLIC karya 13516094_AhmadFaisholHuda_AbstrakEnglish.pdf5?
PUBLIC karya 13516094_AhmadFaisholHuda_LembarPengesahan.pdf
iu
PUBLIC karya 13516094_AhmadFaisholHuda_BukuTA.pdf?_
PUBLIC karya
Pada era digital dan semakin majunya teknologi machine learning terutama di bidang computer
vision meningkatkan perkembangan teknologi pencarian gambar. Sistem pencarian gambar
adalah sebuah teknologi pencarian yang menerima masukan gambar dan mengembalikan
gambar dengan fitur yang mirip dengan masukan. Teknologi ini membandingakan fitur-fitur
dalam gambar untuk menghitung kesamaan antar gambar dan mengembalikan gambar-gambar
sesuai tingkat kesamaan terhadap masukan. Pembangunan sistem pencarian gambar dapat
dilakukan dengan mendesain arsitektur sendiri maupun memanfaatkan model pretrained
dengan metode transfer learning. Beberapa model pencarian gambar yang sudah terkenal
seperti VGG, GoogleNet, Resnet, dan MobileNet digunakan sebagai model eksperimen dengan
metode transfer learning ditambah satu model dengan desain arsitektur sendiri. Metrik presisi
dan recall. Dari lima model, yaitu dengan urutan model buatan sendiri, VGG, Inception,
Resnet, dan MobilleNet, hasilnya adalah 0.7394, 0.7299, 0.8603, 0.8912, 0.8171 untuk metrik
presisi dan 0.3147, 0.2989, 0.4721, 0.5779, 0.4278 untuk metrik recall. Arsitektur terbaik pada
eksperimen ini adalah sistem yang menggunakan metode transfer learning dengan model
ResNet. Model ini mendapatkan nilai akurasi prediksi kategori sebesar 0.8640, nilai presisi
sebesar 0.8912, dan nilai recall sebesar 0.5779. Modul yang bisa meningkatkan performa
sistem adalah modul dropout, augmentasi data, dan reindexing.