Perbandingan Kinerja MobileNetV2 dan ResNet50V2 dalam Klasifikasi Tingkat Kematangan Tomat

Ravansa Rahman Santosa; Anindia Sasikirana; Zidan Lutfi Ramadhan; Yusuf Putra Bintang Satria; Agung Nugroho

doi:10.60076/ijstech.v3i1.1335

Authors

Ravansa Rahman Santosa Universitas Pelita Bangsa
Anindia Sasikirana Universitas Pelita Bangsa
Zidan Lutfi Ramadhan Universitas Pelita Bangsa
Yusuf Putra Bintang Satria Universitas Pelita Bangsa
Agung Nugroho Universitas Pelita Bangsa

DOI:

https://doi.org/10.60076/ijstech.v3i1.1335

Keywords:

MobileNetV2, ResNet50V2 , Klasifikasi Citra, CNN, Tomat

Abstract

Perkembangan teknologi deep learning telah mendorong pemanfaatan arsitektur Convolutional Neural Network (CNN) dalam berbagai tugas klasifikasi citra. Di antara arsitektur yang populer, MobileNet dan ResNet memiliki karakteristik yang berbeda dalam hal efisiensi dan akurasi. Penelitian ini bertujuan untuk membandingkan performa dua arsitektur CNN, yaitu MobileNetV2 dan ResNet50V2, dalam mengklasifikasikan tingkat kematangan tomat ke dalam tiga kategori: mentah, setengah matang, dan matang. Dataset citra tomat digunakan dalam pelatihan dan pengujian model, dengan evaluasi berdasarkan metrik akurasi, presisi, recall, F1-score, serta waktu pengujian. Hasil penelitian menunjukkan bahwa MobileNetV2 unggul dalam efisiensi komputasi dengan akurasi sebesar 98,33% dan waktu pengujian lebih cepat, sedangkan ResNet50V2 mencapai akurasi 93,33% dengan kompleksitas model yang lebih tinggi. Berdasarkan hasil tersebut, MobileNetV2 direkomendasikan untuk implementasi pada perangkat dengan sumber daya terbatas, sementara ResNet50V2 lebih cocok untuk aplikasi dengan kebutuhan akurasi tinggi dan ketersediaan sumber daya yang memadai

Downloads

Download data is not yet available.

References

L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J. Big Data, vol. 8, pp. 1–74, 2021, doi: 10.1186/s40537-021-00444-8.

L. Chen, S. Li, Q. Bai, J. Yang, S. Jiang, and Y. Miao, “Review of image classification algorithms based on convolutional neural networks,” Remote Sens., vol. 13, no. 22, p. 4712, 2021, doi: 10.3390/rs13224712.

R. I. Borman, R. Napianto, N. Nugroho, D. Pasha, Y. Rahmanto, and Y. E. P. Yudoutomo, “Implementation of PCA and KNN algorithms in the classification of Indonesian medicinal plants,” in Proc. 2021 Int. Conf. Comput. Sci., Inf. Technol., Electr. Eng. (ICOMITEE), 2021, pp. 46–50, doi: 10.1109/ICOMITEE53461.2021.9650176.

A. Peryanto, D. Susanto, and Y. F. Widodo, “Klasifikasi citra bunga menggunakan metode support vector machine dan gray level co-occurrence matrix,” JIKA (Jurnal Informatika), vol. 9, no. 2, pp. 126–134, 2025, doi: 10.31000/jika.v9i2.13151.

I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi citra digital bumbu dan rempah dengan algoritma convolutional neural network (CNN),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020, doi: 10.14710/j.gauss.9.3.273-282.

Y. B. E. Purba, N. F. Saragih, A. P. Silalahi, S. Sitepu, and A. Gea, “Perancangan alat pendeteksi kematangan buah nanas dengan menggunakan mikrokontroler dengan metode convolutional neural network (CNN),” Methotika: J. Ilm. Tek. Inform., vol. 2, no. 1, pp. 13–21, 2022.

A. Ridhovan and A. Suharso, “Penerapan metode residual network (ResNet) dalam klasifikasi penyakit pada daun gandum,” JIPI (J. Ilm. Penelit. Pembelajaran Inform.), vol. 7, no. 1, pp. 58–65, 2022, doi: 10.29100/jipi.v7i1.2410.

H. I. Fitriasari and M. Rizkinia, “Improvement of Xception-ResNet50V2 concatenation for COVID-19 detection on chest X-ray images,” in Proc. 2021 3rd East Indonesia Conf. Comput. Inf. Technol. (EIConCIT), 2021, pp. 343–347, doi: 10.1109/EIConCIT50028.2021.9431916.

D. Hastari, S. Winanda, A. R. Pratama, N. Nurhaliza, and E. S. Ginting, “Application of convolutional neural network ResNet-50 V2 on image classification of rice plant disease,” Public Res. J. Eng., Data Technol. Comput. Sci., vol. 1, no. 2, 2024, doi:

Z. Syahputra, “Penerapan SSD-MobileNet dalam identifikasi jenis buah apel,” Comput. Sci., vol. 1, no. 1, 2023, doi: 10.60076/indotech.v1i1.2.

G. Edel and V. Kapustin, “Exploring of the MobileNet V1 and MobileNet V2 models on NVIDIA Jetson Nano microcomputer,” J. Phys.: Conf. Ser., vol. 2291, no. 1, p. 012008, 2022, doi: 10.1088/1742-6596/2291/1/012008.

E. Prasetyo, R. Purbaningtyas, R. D. Adityo, N. Suciati, and C. Fatichah, “Combining MobileNetV1 and depthwise separable convolution bottleneck with expansion for classifying the freshness of fish eyes,” Inf. Process. Agric., vol. 9, no. 4, pp. 485–496, 2022, doi: 10.1016/j.inpa.2022.01.002.

C. Sakunrasrisuay, P. Musikawan, A.-N. Nguyen, Y. Kongsorot, P. Aimtongkham, and C. So-In, “Tomato maturity classification: A transfer learning approach,” in Proc. 2021 25th Int. Comput. Sci. Eng. Conf. (ICSEC), 2021, pp. 411–416, doi: 10.1109/ICSEC53205.2021.9684584.