Analisis Pengaruh Jumlah Data Latih terhadap Kinerja Convolutional Neural Network pada Klasifikasi Citra

Niko Surya Atmaja; Sahyunan Harahap; Muhammad Khoiruddin Harahap

doi:10.56211/sudo.v5i1.1572

Authors

Niko Surya Atmaja Politeknik Ganesha Medan
Sahyunan Harahap Politeknik Ganesha Medan
Muhammad Khoiruddin Harahap Politeknik Ganesha Medan

DOI:

https://doi.org/10.56211/sudo.v5i1.1572

Keywords:

Analisis; Citra; Convolutional Neural Network; Data Latih; Klasifikasi

Abstract

Convolutional Neural Network (CNN) merupakan salah satu metode deep learning yang banyak digunakan dalam tugas klasifikasi citra karena kemampuannya dalam mengekstraksi fitur secara otomatis. Meskipun demikian, kinerja CNN sangat dipengaruhi oleh karakteristik data latih, khususnya jumlah data yang digunakan dalam proses pelatihan. Jumlah data latih yang tidak memadai dapat menyebabkan model gagal melakukan generalisasi dengan baik, sedangkan peningkatan jumlah data latih tidak selalu menjamin peningkatan kinerja model secara signifikan. Penelitian ini bertujuan untuk menganalisis pengaruh jumlah data latih terhadap kinerja model Convolutional Neural Network pada klasifikasi citra. Metode penelitian dilakukan dengan melakukan eksperimen terkontrol menggunakan satu arsitektur CNN yang sama, sementara jumlah data latih divariasikan dalam beberapa skenario, yaitu 20%, 40%, 60%, 80%, dan 100% dari total dataset. Kinerja model dievaluasi berdasarkan nilai akurasi dan loss pada data pelatihan dan data pengujian. Hasil penelitian menunjukkan bahwa peningkatan jumlah data latih cenderung meningkatkan kinerja dan stabilitas model CNN, serta mengurangi kecenderungan overfitting. Temuan ini memberikan gambaran empiris mengenai hubungan antara jumlah data latih dan kinerja CNN pada tugas klasifikasi citra.

Downloads

Download data is not yet available.

References

[1] L. Putu Ary Sri Tjahyanti dan Putu Aditya Pratama. “Deteksi Objek Menggunakan Convolutional Neural Network (CNN) pada Pengolahan Citra Digital”. Jurnal KOMTEKS, vol. 4, no. 2, pp. 35–40, 2025.

[2] N. Kasim, M. B. Fadilah, W. Al Hidayat, dan R. A. Saputra. “Klasifikasi Jenis Tanaman Herbal Berdasarkan Citra Menggunakan Metode Convolutional Neural Network (CNN)”. Jurnal Teknologi dan Informatika, vol. 19, no. 1, pp. 64–78, 2025.

[3] D. A. Prastita, A. Setiawan, dan I. F. Ashari. “Analisis Perbandingan Metode Convolutional Neural Network (CNN) untuk Deteksi Warna pada Objek”. Bulletin of Computer Science Research, vol. 5, no. 4, pp. 821–830, 2025, https://doi.org/10.47065/bulletincsr.v5i4.617.

[4] A. Penelitian. “Analisis Deep Learning Metode Convolutional Neural Network dalam Klasifikasi Varietas Gandum”. Jurnal Komputasi dan Sains, vol. 6, no. 12, pp. 2081–2092, 2023, https://doi.org/10.56338/jks.v6i12.4938.

[5] C. Raras dan A. Widiawati. “Pengaruh Dataset terhadap Performa Convolutional Neural Network pada Klasifikasi X-Ray Pasien Covid-19”. Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 6, pp. 1109–1118, 2022, https://doi.org/10.25126/jtiik.2022965645.

[6] A. Alqhifari. “Klasifikasi Citra Mebel Menggunakan CNN”. Jurnal Teknik dan Teknologi, vol. 13, no. 2, pp. 50–60, 2025.

[7] I. R. Kurniawan, I. U. Fakhrizal, F. A. Cahyadewi, dan F. D. Saputra. “Pengaruh Penambahan Arsitektur Model dalam Klasifikasi Citra Bencana Alam Menggunakan Ensemble Learning”. Jurnal Sistem Cerdas, vol. 15, no. 2, pp. 280–289, 2025.

[8] D. Simanjuntak dan A. Matondang. “Penerapan Transfer Learning untuk Klasifikasi Citra Bunga Berbasis Convolutional Neural Network”. Jurnal Informatika, vol. 14, pp. 1062–1067, 2025.

[9] R. P. Ray. “Analisis Pengaruh Fungsi Aktivasi CNN terhadap Performa Klasifikasi Hewan”. Incoding: Journal of Informatic and Computer Science Engineering, vol. 3, pp. 1–10, 2025.

[10] M. N. Azmi. “Analisis Pengaruh Dimensi Gambar pada Klasifikasi Motif Batik Menggunakan Convolutional Neural Network”. Jurnal Informatika Batik, vol. 6, no. 2, pp. 190–198, 2023.

[11] M. Syawaluddin, S. Susandri, dan A. Zamsuri. “Optimalisasi Model CNN untuk Klasifikasi Citra CIFAR-10 dengan Variasi Rasio Data Latih dan Uji”. Jurnal Teknologi Komputer, vol. 8, no. 1, pp. 303–311, 2025.

[12] N. P. Sari. “Analisis Performa Algoritma CNN dalam Klasifikasi Citra Medis Berbasis Deep Learning”. Jurnal Deep Learning Indonesia, vol. 2, no. 2, pp. 87–92, 2025.

[13] R. Ihza, Y. Vianda, P. Anjarwati, H. A. Pratama, R. M. Akbar, dan R. D. Irawan. “Klasifikasi Citra Bunga Multikelas Menggunakan Convolutional Neural Network (CNN)”. Jurnal Vision Computing, vol. 10, pp. 367–376, 2025.

[14] K. E. N. Ratri, R. Wardani, dan L. Leonardi. “Klasifikasi Penyakit pada Daun Anggur menggunakan Metode Convolutional Neural Network”. Jurnal Pertanian Digital, vol. 17, no. 2, pp. 112–126, 2023.

[15] S. Sahibu dan I. Taufik. “Implementation of the Convolutional Neural Network Algorithm for Classifying Types of Organic and Non-Organic Waste”. Jurnal Machine Learning dan Sistem Cerdas, vol. 4, no. 7, pp. 840–852, 2024.

[16] V. No, J. Hal, A. Nurfitri, R. Munandar, dan A. Fauzan. “Analisis Arsitektur Convolutional Neural Network untuk Klasifikasi Citra Bunga”. Jurnal Data Citra, vol. 6, no. 3, pp. 522–531, 2024.