Analisis Model Arsitektur Googlenet dalam Mengklasifikasikan Jenis Bunga

Abstract

Indonesia memiliki beragam jenis bunga dengan karakteristik yang unik, seperti warna dan bentuk yang bervariasi. Namun, masyarakat umum seringkali kesulitan mengenali jenis bunga secara tepat. Di era digital ini, diperlukan solusi otomatis untuk membantu identifikasi jenis bunga dengan cepat dan akurat. Teknologi Deep Learning dalam klasifikasi gambar, seperti arsitektur GoogleNet dan ResNet, menjadi pendekatan yang menjanjikan untuk tugas tersebut. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur GoogleNet dalam mengklasifikasi jenis bunga, dan membandingkannya dengan arsitektur ResNet untuk menentukan model mana yang lebih unggul dalam hal akurasi dan efisiensi. Penelitian ini menggunakan metode kuantitatif dengan eksperimen komputasional. Dataset yang terdiri dari 5000 gambar bunga dibagi menjadi 10 kelas, di mana setiap kelas berisi 500 gambar. Data dibagi menjadi tiga bagian: 80% untuk pelatihan, 10% untuk pengujian, dan 10% untuk validasi. Model dilatih menggunakan parameter seperti Epoch sebanyak 20, Batch size 64, Optimizer Adam, dan learning rate sebesar 0.001. Arsitektur GoogleNet dan ResNet diuji secara terpisah dengan konfigurasi parameter default masing-masing. Hasil pengujian menunjukkan bahwa model GoogleNet mencapai akurasi sebesar 99,40% dalam klasifikasi jenis bunga, sementara ResNet memiliki akurasi yang sedikit lebih rendah, yakni 98,80%. GoogleNet tetap kompetitif dan lebih efisien dalam penggunaan parameter. Penelitian ini berhasil menunjukkan bahwa baik GoogleNet memiliki performa yang sangat baik dalam klasifikasi jenis bunga. Meskipun ResNet memberikan akurasi yang hampir lebih baik, GoogleNet menawarkan solusi yang lebih efisien dengan hasil yang hampir setara. Studi lebih lanjut dapat dilakukan dengan eksplorasi Hyperparameter dan penggunaan dataset yang lebih besar untuk memperkuat generalisasi model dalam tugas klasifikasi gambar yang lebih kompleks. Indonesia has a variety of flowers with unique characteristics, such as diverse colors and shapes. However, the general public often struggles to accurately identify flower types. In this digital era, an automatic solution is needed to help identify flower types quickly and accurately. Deep learning technology in image classification, such as the GoogleNet and ResNet architectures, provides a promising approach to this task. This research aimed to analyze the performance of the GoogleNet architecture in classifying flower types and compare it to the ResNet architecture to determine which model is superior in terms of accuracy and efficiency. This research used a quantitative method with computational experiments. A dataset of 5,000 flower images was divided into 10 classes, each containing 500 images. Data were split into three parts: 80% for training, 10% for testing, and 10% for validation. The models were trained using parameters such as 20 epochs, a batch size of 64, the Adam optimizer, and a learning rate of 0.001. The GoogleNet and ResNet architectures were tested separately with their default parameter configurations. The testing results showed that the GoogleNet model achieved an accuracy of 99.40% in flower classification, while ResNet had a slightly lower accuracy of 98.80%. GoogleNet remained competitive and more efficient in parameter usage. This research demonstrated that both GoogleNet performs excellently in flower classification. Although ResNet provided nearly better accuracy, GoogleNet offers a more efficient solution with nearly equivalent results. Further studies can explore hyperparameter tuning and larger datasets to enhance model generalization in more complex image classification tasks.