Implementasi Parameter Tuning Untuk Optimalisasi Performance Model Convolutional Neural Network

Implementation of Parameter Tuning for Optimizing CNN Model Performance

Abstract

Abstract—Parameter tuning is a crucial factor that significantly impacts the performance of Convolutional Neural Networks (CNNs) in producing accurate and reliable predictions. This study focuses on experiments comparing various settings to determine the best model by adjusting parameters. The research has implemented a structured framework with a flow diagram to guide each stage of the experiment. By tuning parameters such as Learning Rate, Epochs, Optimizer, Activation Functions, Regularization, and other variables, the aim is to find the parameter combination that maximizes model performance in making predictions. The results of the study indicate that models using optimal parameter settings can significantly enhance their performance.

Key words—Model; Research; Tuning; Performance.

Abstrak—Pengaturan penyetelan parameter merupakan faktor penting yang sangat memengaruhi performa model Convolutional Neural Network (CNN) untuk menghasilkan prediksi yang akurat dan dapat diandalkan. Penelitian ini berfokus pada eksperimen yang membandingkan setiap percobaan eksperiemen yang dilakukan dengan variasi penyetelan parameter untuk menemukan model terbaik. Penelitian ini telah mengimplementasikan kerangka kerja dengan alur diagram yang terstruktur untuk memandu setiap tahap eksperimen. Dengan melakukan penyetelan pada parameter seperti Learning Rate, Epoch, Optimizer, Fungsi Aktivasi, Regularisasi, dan variabel lainnya, tujuannya adalah untuk menemukan kombinasi parameter yang dapat memaksimalkan performa model dalam melakukan prediksi. Hasil dari penelitian menunjukkan bahwa model yang menggunakan pengaturan parameter yang optimal mampu meningkatkan performa model lebih baik dan signifikan

Kata kunci—Model; Penelitian; Penyetelan; Performa