| Penelitian ini bertujuan untuk melakukan klasifikasi suku cadang pneumatik melalui penggunaan tiga arsitektur jaringan saraf konvolusional yang berbeda, yaitu AlexNet, GoogLeNet, dan ResNet-50. Penelitian dilakukan dengan membandingkan kinerja ketiga arsitektur dalam hal akurasi prediksi. Hasil menunjukkan bahwa arsitektur GoogLeNet menghasilkan kinerja terbaik dengan akurasi tertinggi dibandingkan dengan AlexNet dan ResNet-50. Pada kondisi tertentu, GoogLeNet mencapai akurasi prediksi yang lebih tinggi seiring dengan peningkatan jumlah epoch dan penggunaan learning rate yang optimal. Selanjutnya, pengoptimalan dilakukan pada arsitektur GoogLeNet dengan mencapai hasil terbaik pada epoch 17 dan learning rate 0.0001 dengan akurasi 90,91 %. Penelitian ini memberikan kontribusi pada pengembangan sistem prediksi suku cadang pneumatik dengan memperkenalkan pendekatan yang lebih canggih melalui penggunaan arsitektur GoogLeNet yang dioptimalkan. Hasil penelitian ini dapat digunakan sebagai dasar untuk pengembangan lebih lanjut dalam meningkatkan efisiensi dan akurasi prediksi suku cadang pneumatik menggunakan teknologi jaringan saraf konvolusional. |