Detail Cantuman

Klasifikasi huruf alfabet merupakan salah satu permasalahan dalam
pengembangan sistem pembelajaran berbasis kecerdasan buatan akibat adanya
variasi bentuk karakter. Penelitian ini bertujuan untuk menghasilkan akurasi model
klasifikasi huruf alfabet menggunakan teknik Bayesian Optimization pada
arsitektur MobileNetV2. Dataset yang digunakan berupa citra alfabet digital yang
dihasilkan dari beberapa jenis font Google. Proses pengujian dilakukan dengan
mengevaluasi variasi jumlah iterasi optimasi (n_calls) serta membandingkan
beberapa fungsi akuisisi, yaitu Expected Improvement (EI), Probability of
Improvement (PI), dan Lower Confidence Bound (LCB). Selain itu, performa
Bayesian Optimization dibandingkan dengan metode Grid Search dan Random
Search. Hasil penelitian menunjukkan bahwa optimasi hyperparameter
menggunakan Bayesian Optimization mampu meningkatkan akurasi model secara
signifikan. Fungsi akuisisi Probability of Improvement (PI) menghasilkan performa
terbaik dengan akurasi data latih sebesar 96,79% dan akurasi data uji sebesar
91,67%, serta nilai loss yang lebih rendah dibandingkan skenario pengujian lainnya.
Metode Grid Search dan Random Search menghasilkan nilai akurasi yang lebih
rendah serta nilai loss yang lebih tinggi dibandingkan Bayesian Optimization.
Berdasarkan hasil pengujian, penerapan Bayesian Optimization mampu
menghasilkan kombinasi hyperparameter yang memberikan akurasi klasifikasi
yang lebih tinggi pada model MobileNetV2 untuk klasifikasi huruf alfabet.