HYBRID MOBILENETV2 DAN EXTREME GRADIENT BOOSTING UNTUK KLASIFIKASI KERUSAKAN BANGUNAN

Suryanooradja, Muammar Najmi (2025) HYBRID MOBILENETV2 DAN EXTREME GRADIENT BOOSTING UNTUK KLASIFIKASI KERUSAKAN BANGUNAN. Undergraduate thesis, UPN VETERAN JAWA TIMUR.

	Text (BAB 1) 21081010208_BAB I.pdf Download (17kB)
	Text (BAB 2) 21081010208_BAB II.pdf Restricted to Registered users only until 17 July 2028. Download (220kB)
	Text (BAB 3) 21081010208_BAB III.pdf Restricted to Registered users only until 17 July 2028. Download (302kB)
	Text (BAB 4) 21081010208_BAB IV.pdf Restricted to Registered users only until 17 July 2028. Download (861kB)
	Text (BAB 5) 21081010208_BAB V.pdf Download (8kB)
	Text (Daftar Pustaka) 21081010208_Daftar Pustaka.pdf Restricted to Registered users only until 17 July 2028. Download (50kB)
	Text 21081010208_Cover.pdf Download (425kB)

Abstract

Penelitian ini mengembangkan pendekatan hybrid untuk klasifikasi kerusakan bangunan berdasarkan citra, dengan menggabungkan MobileNetV2 sebagai metode ekstraksi fitur dan XGBoost sebagai algoritma klasifikasi. Penelitian difokuskan pada kerusakan bangunan. Data yang digunakan berasal dari dua sumber, yaitu dataset Kaggle sebanyak 540 gambar dan dataset Mandiri sebanyak 466 gambar hasil pengambilan langsung. Untuk meningkatkan jumlah dan variasi data, dilakukan proses augmentasi hingga total menjadi 3.780 gambar untuk dataset Kaggle dan 3.245 gambar untuk dataset Mandiri. Eksperimen dilakukan dengan menguji berbagai skema proporsi pembagian data 80:10:10, 70:20:10, dan 60:20:20, serta beberapa parameter utama XGBoost, seperti nilai learning rate 0.001, 0.01, dan 0.1, max depth 3, 6, dan 8, dan n_estimators 50, 100, dan 1000. Hasil pengujian menunjukkan bahwa kombinasi parameter terbaik untuk kedua dataset adalah proporsi 70:20:10, learning rate 0.1, max depth 6, dan n_estimators 1000. Model kemudian dievaluasi dengan tiga pendekatan, yaitu MobileNetV2 saja, XGBoost saja, dan kombinasi MobileNetV2–XGBoost. Hasil evaluasi menunjukkan bahwa model hybrid MobileNetV2–XGBoost memberikan performa terbaik dengan akurasi mencapai 98.91% pada dataset Kaggle dan 96.80% pada dataset Mandiri. Penelitian ini juga dilengkapi antarmuka GUI sederhana untuk mempermudah pengguna dalam mengunggah gambar dan melihat hasil prediksi secara langsung. GUI dibuat dengan fokus pada fungsionalitas karena inti penelitian terletak pada kinerja model, bukan tampilan antarmukanya.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Rahajoe, Ani Dijah	NIDN19730512 200501 2 003	anidijah.if@upnjatim.ac.id
Thesis advisor	Junaidi, Ahmad	NIDN0710117803	ahmadjunaidi.if@upnjatim.ac.id

Subjects:

T Technology > T Technology (General)
T Technology > T Technology (General) > T58.6-58.62 Management Information Systems

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Muammar Ammar Suryanooradja

Date Deposited:

21 Jul 2025 04:30

Last Modified:

21 Jul 2025 04:30

URI:

https://repository.upnjatim.ac.id/id/eprint/39767