UMMUMM

KOMTIKAKOMTIKA

Penelitian ini bertujuan membandingkan kinerja arsitektur Convolutional Neural Network (CNN) ResNet50 dan MobileNetV2 pada klasifikasi citra multi-domain, yaitu citra daun tanaman herbal dan undertone kulit wajah. Dataset tanaman herbal terdiri dari 11 kelas citra daun, sedangkan dataset undertone kulit wajah mencakup kategori warm, cool, dan neutral yang diperoleh dari sumber sekunder dan data primer. Tahapan penelitian meliputi pra-pemrosesan citra, pelatihan model menggunakan transfer learning, serta evaluasi performa menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa ResNet50 memperoleh performa lebih baik dibandingkan MobileNetV2 pada kedua domain klasifikasi. Pada klasifikasi tanaman herbal, ResNet50 mencapai akurasi 95,00%, sedangkan MobileNetV2 memperoleh 94,09%. Pada klasifikasi undertone kulit wajah, ResNet50 memperoleh accuracy 89,3% dan weighted F1-score 0,893, sementara MobileNetV2 mencapai accuracy 68,3% dan weighted F1-score 0,684. Hasil tersebut menunjukkan bahwa ResNet50 lebih efektif dan stabil dibandingkan MobileNetV2 dalam klasifikasi citra multi-domain.

Berdasarkan hasil penelitian, sistem klasifikasi citra multi-domain menggunakan arsitektur ResNet50 dan MobileNetV2 berhasil dibangun dan diimplementasikan ke dalam aplikasi berbasis website menggunakan framework Flask.Sistem mampu melakukan klasifikasi citra secara otomatis dan real-time melalui fitur unggah gambar maupun kamera langsung pada dua kasus, yaitu klasifikasi tanaman herbal berbasis citra daun dan klasifikasi undertone kulit wajah.Hasil evaluasi menunjukkan bahwa ResNet50 memiliki performa lebih baik dibandingkan MobileNetV2 pada kedua domain klasifikasi.Pada klasifikasi tanaman herbal, ResNet50 memperoleh akurasi sebesar 95,00%, sedangkan MobileNetV2 memperoleh akurasi sebesar 94,09%.Sementara itu, pada klasifikasi undertone kulit wajah, ResNet50 memperoleh accuracy sebesar 89,3% dan weighted F1-score sebesar 0,893, sedangkan MobileNetV2 memperoleh accuracy sebesar 68,3% dan weighted F1-score sebesar 0,684.Hasil tersebut menunjukkan bahwa ResNet50 lebih unggul dan stabil dalam mengekstraksi fitur citra yang kompleks dibandingkan MobileNetV2.

Penelitian lanjutan dapat mengembangkan pendekatan hybrid yang menggabungkan keunggulan ResNet50 dan MobileNetV2 untuk meningkatkan akurasi klasifikasi citra multi-domain dengan efisiensi komputasi yang lebih baik. Selain itu, penting untuk memperluas dataset dengan variasi lingkungan pencahayaan dan sudut pengambilan gambar yang lebih beragam agar model lebih adaptif terhadap kondisi nyata. Terakhir, penelitian dapat mengeksplorasi optimasi arsitektur model untuk mengurangi ukuran file model tanpa mengorbankan performa, sehingga memungkinkan implementasi pada perangkat mobile dengan sumber daya terbatas.

Read online
File size905.72 KB
Pages16
DMCAReport

Related /

ads-block-test