Pemilihan Arsitektur Convolutional Neural Network (CNN) untuk Deteksi Tempat Wisata di Surabaya

Abstract

Abstrak— Penelitian ini berfokus pada pemilihan arsitektur Convolutional Neural Network (CNN) untuk mendeteksi tempat wisata di Surabaya melalui klasifikasi citra digital. Latar belakang penelitian ini didasari oleh pentingnya teknologi kecerdasan buatan dalam mendukung promosi pariwisata yang lebih interaktif dan efisien. Data penelitian dikumpulkan dari berbagai sumber, yaitu Google, Google Maps, serta dokumentasi langsung, dengan total 21.500 citra yang terbagi ke dalam 43 kelas tempat wisata. Metodologi yang digunakan adalah CRISP-DM, mencakup tahapan pemahaman bisnis, persiapan data, pemodelan, evaluasi, hingga implementasi.

Eksperimen dilakukan dengan enam arsitektur CNN, yaitu SENet, ResNeXt, Inception v4, ResNet, Inception v3, dan Inception v2. Selain itu, penelitian ini juga menguji kombinasi arsitektur untuk memperoleh performa lebih optimal. Hasil pengujian menunjukkan bahwa ResNet merupakan arsitektur tunggal terbaik dengan akurasi 83,49%. Namun, kombinasi ResNet dan SENet dengan optimizer RMSProp, learning rate 0,0001, serta batch size 32, menghasilkan performa tertinggi dengan akurasi 89,02%. Model terbaik ini kemudian diimplementasikan pada aplikasi web berbasis Flask, yang diuji melalui black box testing dan terbukti berjalan sesuai kebutuhan pengguna.

Secara keseluruhan, penelitian ini berhasil menunjukkan efektivitas CNN dalam klasifikasi gambar tempat wisata, sekaligus memberikan kontribusi praktis berupa aplikasi web yang dapat membantu wisatawan mengenali destinasi wisata Surabaya. Dengan demikian, penelitian ini tidak hanya memperkuat pemanfaatan deep learning dalam sektor pariwisata, tetapi juga membuka peluang pengembangan teknologi serupa untuk promosi wisata di kota lain.

Kata Kunci— Convolutional Neural Network, Deteksi Citra, Tempat Wisata Surabaya, Deep Learning, Flask, Ensemble Learning.