Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Analisis Optimasi Klasifikasi Citra Awan Berdasarkan Nilai Hyperparameter Pada Teachable Machine untuk Pengembangan Aplikasi Web Mobile

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 12 No. 6 (2025) · hlm. 1315–1326

DOI
10.25126/jtiik.2025126
ISSN
2528-6579, 2355-7699
Terbit
2025-12-17
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Pengamatan cuaca menjadi aspek penting dalam berbagai bidang seperti meteorologi, penelitian lingkungan dan penerbangan. Identifikasi jenis awan memainkan peran kunci dalam memprediksi perubahan cuaca dan mengevaluasi dampak lingkungan. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah aplikasi web mobile sistem cerdas yang mampu membantu masyarakat dalam mendeteksi jenis awan secara mandiri di sekitar, memberikan edukasi tentang jenis awan dan yang paling penting adalah mencari nilai optimasi hyperparameter epoch, batch size dan learning rate dalam Teachable Machine. Penelitian ini menggunakan nilai untuk parameter-parameter yang diteliti, yaitu nilai epoch yang bervariasi antara 10, 50, 100, 250, 750 dan 1000. Kemudian nilai batch size yang bervariasi antara 16, 32, 64, 128, 256 dan 512 serta learning rate yang bervariasi antara 0,00001; 0,0001; 0,001; 0,01; 0,1 dan 1. Total dataset sebanyak 4.000 sampel data latih (400 sampel dalam 10 kelas) digunakan dalam Teachable Machine. Metode yang digunakan adalah dengan memanfaatkan framework TensorFlow pada layanan Teachable Machine untuk melatih data citra atau gambar. Framework ini menyediakan algoritma Convolutional Neural Networks (CNN) yang dapat melakukan klasifikasi citra atau gambar dengan tingkat akurasi yang tinggi. Hasil pengujian menunjukkan bahwa nilai optimal tertinggi tercapai pada nilai epoch ke-50, dengan nilai batch size 16 dan learning rate 0,00001 yang menghasilkan tingkat akurasi antara 70% hingga 98%. Aplikasi web mobile ini diharapkan dapat diimplementasikan secara luas untuk kepentingan masyarakat agar mengenali jenis awan yang menyebabkan potensi hujan. Abstract Weather observation is becoming an increasingly important aspect in various fields, such as Meteorology, Environmental Research, and aviation. The identification of cloud types plays a key role in predicting weather changes and evaluating environmental impacts. The purpose of this study is to develop a mobile web application intelligent system that is able to help people detect the type of cloud independently around, provide education about the type of cloud, and most importantly, find the value of optimization hyperparameter epoch, batch size and learning rate in Teachable Machine. This study uses the values for the parameters studied, namely the epoch values that vary between 10, 50, 100, 250, 750, and 1000. Then the value of batch size varies between 16, 32, 64, 128, 256, and 512, and the learning rate varies between 0.00001; 0.0001; 0.001; 0.01; 0.1, and 1. A total of 4,000 training data samples (400 samples per class) were used in the Teachable Machine. The method used is to utilize the TensorFlow framework in the Teachable Machine Service to train image or image data. This Framework provides Convolutional Neural Networks (CNN) algorithms that can classify images with a high degree of accuracy. The test results showed that the highest optimal value was reached at the 50th epoch value, with a batch size value of 16 and a learning rate of 0.00001 which resulted in an accuracy rate of 70% to 98%. This application is expected to be widely implemented for the benefit of the community in order to recognize the type of cloud that causes the potential for rain.

Inggris

Pengamatan cuaca menjadi aspek penting dalam berbagai bidang seperti meteorologi, penelitian lingkungan dan penerbangan. Identifikasi jenis awan memainkan peran kunci dalam memprediksi perubahan cuaca dan mengevaluasi dampak lingkungan. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah aplikasi web mobile sistem cerdas yang mampu membantu masyarakat dalam mendeteksi jenis awan secara mandiri di sekitar, memberikan edukasi tentang jenis awan dan yang paling penting adalah mencari nilai optimasi hyperparameter epoch, batch size dan learning rate dalam Teachable Machine. Penelitian ini menggunakan nilai untuk parameter-parameter yang diteliti, yaitu nilai epoch yang bervariasi antara 10, 50, 100, 250, 750 dan 1000. Kemudian nilai batch size yang bervariasi antara 16, 32, 64, 128, 256 dan 512 serta learning rate yang bervariasi antara 0,00001; 0,0001; 0,001; 0,01; 0,1 dan 1. Total dataset sebanyak 4.000 sampel data latih (400 sampel dalam 10 kelas) digunakan dalam Teachable Machine. Metode yang digunakan adalah dengan memanfaatkan framework TensorFlow pada layanan Teachable Machine untuk melatih data citra atau gambar. Framework ini menyediakan algoritma Convolutional Neural Networks (CNN) yang dapat melakukan klasifikasi citra atau gambar dengan tingkat akurasi yang tinggi. Hasil pengujian menunjukkan bahwa nilai optimal tertinggi tercapai pada nilai epoch ke-50, dengan nilai batch size 16 dan learning rate 0,00001 yang menghasilkan tingkat akurasi antara 70% hingga 98%. Aplikasi web mobile ini diharapkan dapat diimplementasikan secara luas untuk kepentingan masyarakat agar mengenali jenis awan yang menyebabkan potensi hujan. Abstract Weather observation is becoming an increasingly important aspect in various fields, such as Meteorology, Environmental Research, and aviation. The identification of cloud types plays a key role in predicting weather changes and evaluating environmental impacts. The purpose of this study is to develop a mobile web application intelligent system that is able to help people detect the type of cloud independently around, provide education about the type of cloud, and most importantly, find the value of optimization hyperparameter epoch, batch size and learning rate in Teachable Machine. This study uses the values for the parameters studied, namely the epoch values that vary between 10, 50, 100, 250, 750, and 1000. Then the value of batch size varies between 16, 32, 64, 128, 256, and 512, and the learning rate varies between 0.00001; 0.0001; 0.001; 0.01; 0.1, and 1. A total of 4,000 training data samples (400 samples per class) were used in the Teachable Machine. The method used is to utilize the TensorFlow framework in the Teachable Machine Service to train image or image data. This Framework provides Convolutional Neural Networks (CNN) algorithms that can classify images with a high degree of accuracy. The test results showed that the highest optimal value was reached at the 50th epoch value, with a batch size value of 16 and a learning rate of 0.00001 which resulted in an accuracy rate of 70% to 98%. This application is expected to be widely implemented for the benefit of the community in order to recognize the type of cloud that causes the potential for rain.

Kata kunci

Jaringan kolaborasi para penulis

2 penulis · 1 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Analisis Optimasi Klasifikasi Citra Awan Berdasarkan Nilai Hyperparameter Pada Teachable Machine untuk Pengembangan Aplikasi Web Mobile</dc:title>
	<dc:title xml:lang="en">Analisis Optimasi Klasifikasi Citra Awan Berdasarkan Nilai Hyperparameter Pada Teachable Machine untuk Pengembangan Aplikasi Web Mobile</dc:title>
	<dc:creator xml:lang="en">Bendi, Muhammad Indra</dc:creator>
	<dc:creator xml:lang="en">Malahina, Edwin Ariesto Umbu</dc:creator>
	<dc:creator xml:lang="id">Bendi, Muhammad Indra</dc:creator>
	<dc:creator xml:lang="id">Malahina, Edwin Ariesto Umbu</dc:creator>
	<dc:subject xml:lang="en">teachable machine</dc:subject>
	<dc:subject xml:lang="en">deteksi objek</dc:subject>
	<dc:subject xml:lang="en">jenis awan</dc:subject>
	<dc:subject xml:lang="en">convolutional neural networks</dc:subject>
	<dc:subject xml:lang="en">optimalisasi citra</dc:subject>
	<dc:subject xml:lang="id">teachable machine, deteksi objek, jenis awan, convolutional neural networks, optimalisasi citra</dc:subject>
	<dc:description xml:lang="id">Pengamatan cuaca menjadi aspek penting dalam berbagai bidang seperti meteorologi, penelitian lingkungan dan penerbangan. Identifikasi jenis awan memainkan peran kunci dalam memprediksi perubahan cuaca dan mengevaluasi dampak lingkungan. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah aplikasi web mobile sistem cerdas yang mampu membantu masyarakat dalam mendeteksi jenis awan secara mandiri di sekitar, memberikan edukasi tentang jenis awan dan yang paling penting adalah mencari nilai optimasi hyperparameter epoch, batch size dan learning rate dalam Teachable Machine. Penelitian ini menggunakan nilai untuk parameter-parameter yang diteliti, yaitu nilai epoch yang bervariasi antara 10, 50, 100, 250, 750 dan 1000. Kemudian nilai batch size yang bervariasi antara 16, 32, 64, 128, 256 dan 512 serta learning rate yang bervariasi antara 0,00001; 0,0001; 0,001; 0,01; 0,1 dan 1. Total dataset sebanyak 4.000 sampel data latih (400 sampel dalam 10 kelas) digunakan dalam Teachable Machine. Metode yang digunakan adalah dengan memanfaatkan framework TensorFlow pada layanan Teachable Machine untuk melatih data citra atau gambar. Framework ini menyediakan algoritma Convolutional Neural Networks (CNN) yang dapat melakukan klasifikasi citra atau gambar dengan tingkat akurasi yang tinggi. Hasil pengujian menunjukkan bahwa nilai optimal tertinggi tercapai pada nilai epoch ke-50, dengan nilai batch size 16 dan learning rate 0,00001 yang menghasilkan tingkat akurasi antara 70% hingga 98%. Aplikasi web mobile ini diharapkan dapat diimplementasikan secara luas untuk kepentingan masyarakat agar mengenali jenis awan yang menyebabkan potensi hujan.
 
Abstract
Weather observation is becoming an increasingly important aspect in various fields, such as Meteorology, Environmental Research, and aviation. The identification of cloud types plays a key role in predicting weather changes and evaluating environmental impacts. The purpose of this study is to develop a mobile web application intelligent system that is able to help people detect the type of cloud independently around, provide education about the type of cloud, and most importantly, find the value of optimization hyperparameter epoch, batch size and learning rate in Teachable Machine. This study uses the values for the parameters studied, namely the epoch values that vary between 10, 50, 100, 250, 750, and 1000. Then the value of batch size varies between 16, 32, 64, 128, 256, and 512, and the learning rate varies between 0.00001; 0.0001; 0.001; 0.01; 0.1, and 1. A total of 4,000 training data samples (400 samples per class) were used in the Teachable Machine. The method used is to utilize the TensorFlow framework in the Teachable Machine Service to train image or image data. This Framework provides Convolutional Neural Networks (CNN) algorithms that can classify images with a high degree of accuracy. The test results showed that the highest optimal value was reached at the 50th epoch value, with a batch size value of 16 and a learning rate of 0.00001 which resulted in an accuracy rate of 70% to 98%. This application is expected to be widely implemented for the benefit of the community in order to recognize the type of cloud that causes the potential for rain.</dc:description>
	<dc:description xml:lang="en">Pengamatan cuaca menjadi aspek penting dalam berbagai bidang seperti meteorologi, penelitian lingkungan dan penerbangan. Identifikasi jenis awan memainkan peran kunci dalam memprediksi perubahan cuaca dan mengevaluasi dampak lingkungan. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah aplikasi web mobile sistem cerdas yang mampu membantu masyarakat dalam mendeteksi jenis awan secara mandiri di sekitar, memberikan edukasi tentang jenis awan dan yang paling penting adalah mencari nilai optimasi hyperparameter epoch, batch size dan learning rate dalam Teachable Machine. Penelitian ini menggunakan nilai untuk parameter-parameter yang diteliti, yaitu nilai epoch yang bervariasi antara 10, 50, 100, 250, 750 dan 1000. Kemudian nilai batch size yang bervariasi antara 16, 32, 64, 128, 256 dan 512 serta learning rate yang bervariasi antara 0,00001; 0,0001; 0,001; 0,01; 0,1 dan 1. Total dataset sebanyak 4.000 sampel data latih (400 sampel dalam 10 kelas) digunakan dalam Teachable Machine. Metode yang digunakan adalah dengan memanfaatkan framework TensorFlow pada layanan Teachable Machine untuk melatih data citra atau gambar. Framework ini menyediakan algoritma Convolutional Neural Networks (CNN) yang dapat melakukan klasifikasi citra atau gambar dengan tingkat akurasi yang tinggi. Hasil pengujian menunjukkan bahwa nilai optimal tertinggi tercapai pada nilai epoch ke-50, dengan nilai batch size 16 dan learning rate 0,00001 yang menghasilkan tingkat akurasi antara 70% hingga 98%. Aplikasi web mobile ini diharapkan dapat diimplementasikan secara luas untuk kepentingan masyarakat agar mengenali jenis awan yang menyebabkan potensi hujan.
 
Abstract
Weather observation is becoming an increasingly important aspect in various fields, such as Meteorology, Environmental Research, and aviation. The identification of cloud types plays a key role in predicting weather changes and evaluating environmental impacts. The purpose of this study is to develop a mobile web application intelligent system that is able to help people detect the type of cloud independently around, provide education about the type of cloud, and most importantly, find the value of optimization hyperparameter epoch, batch size and learning rate in Teachable Machine. This study uses the values for the parameters studied, namely the epoch values that vary between 10, 50, 100, 250, 750, and 1000. Then the value of batch size varies between 16, 32, 64, 128, 256, and 512, and the learning rate varies between 0.00001; 0.0001; 0.001; 0.01; 0.1, and 1. A total of 4,000 training data samples (400 samples per class) were used in the Teachable Machine. The method used is to utilize the TensorFlow framework in the Teachable Machine Service to train image or image data. This Framework provides Convolutional Neural Networks (CNN) algorithms that can classify images with a high degree of accuracy. The test results showed that the highest optimal value was reached at the 50th epoch value, with a batch size value of 16 and a learning rate of 0.00001 which resulted in an accuracy rate of 70% to 98%. This application is expected to be widely implemented for the benefit of the community in order to recognize the type of cloud that causes the potential for rain.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2025-12-17</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9573</dc:identifier>
	<dc:identifier>10.25126/jtiik.2025126</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 12 No 6: Desember 2025; 1315-1326</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 12 No. 6: Desember 2025; 1315-1326</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2025126</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9573/1515</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2025 Muhammad Indra Bendi, Edwin Ariesto Umbu Malahina</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>