ANALISIS PERBANDINGAN EFEKTIVITAS ARSITEKTUR CNN (RESNET18, EFFICIENTNET_B0, MOBILENETV3_LARGE) DENGAN FOCAL LOSS PADA KASUS IMBALANCE DATA KLASIFIKASI HEWAN

Farhan Zen; Dian Ade Kurnia; Yudhistira Arie Wijaya; Puji Pramudya Marta

Authors

Farhan Zen STMIK IKMI Cirebon, Indonesia
Dian Ade Kurnia STMIK IKMI Cirebon, Indonesia
Yudhistira Arie Wijaya STMIK IKMI Cirebon, Indonesia
Puji Pramudya Marta STMIK IKMI Cirebon, Indonesia

Keywords:

CNN, Focal Loss, ketidakseimbangan kelas, klasifikasi hewan, deep learning

Abstract

Penelitian ini menganalisis efektivitas tiga arsitektur Convolutional Neural Network (CNN) ResNet18, EfficientNet_B0, dan MobileNetV3_Large dalam menangani ketidakseimbangan kelas pada klasifikasi citra hewan. Model dilatih menggunakan Focal Loss untuk meningkatkan sensitivitas terhadap kelas minoritas. Metode yang digunakan mencakup preprocessing data, augmentasi data, serta pelatihan model dengan variasi parameter Focal Loss (α dan γ). Evaluasi dilakukan menggunakan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MobileNetV3_Large mencapai performa paling baik dengan akurasi 0,767, presisi 0,656, recall 0,657, dan F1-score 0,647. ResNet18 menghasilkan performa stabil dengan akurasi 0,768 dan F1-score 0,617, sedangkan EfficientNet_B0 menunjukkan penurunan kinerja terutama pada kelas dengan jumlah sampel kecil. Analisis memperlihatkan bahwa Focal Loss membantu model lebih fokus pada sampel sulit sehingga meningkatkan performa kelas minoritas. Kontribusi utama penelitian ini adalah memberikan pemahaman empiris mengenai perbandingan arsitektur CNN dan konfigurasi Focal Loss terbaik untuk data yang tidak seimbang, serta memberikan dasar bagi pengembangan sistem klasifikasi citra hewan yang lebih akurat, adaptif, dan robust.

References

Acosta-Prado, J. C., Rojas Rincón, J. S., Mejía Martínez, A. M., & Riveros Tarazona, A. R. (2024). Trends in the Literature About the Adoption of Digital Banking in Emerging Economies: A Bibliometric Analysis. Journal of Risk and Financial Management, 17(12). https://doi.org/10.3390/jrfm17120545

Apau, R., Titis, E., & Lallie, H. S. (2025). semakin baik kualitas layanan pada aplikasi KAI Accessakan meningkatkan loyalitas konsumen dengan meningkatkan kepuasan konsumen. Computers, 14(4).

Aung, S. T., Funabiki, N., Aung, L. H., Kinari, S. A., Mentari, M., & Wai, K. H. (2024). A Study of Learning Environment for Initiating Flutter App Development Using Docker. Information (Switzerland), 15(4). https://doi.org/10.3390/info15040191

Bangun, N., Intarti, K., Karo, S. B., Dewiningsih, S., & Tahar, S. (2023). System quality , information quality , system design quality website PT KCI berpengaruh terhadap user satisfaction. 9(2), 944–958.

Berihun, N. G., Dongmo, C., & Van der Poll, J. A. (2023). The Applicability of Automated Testing Frameworks for Mobile Application Testing: A Systematic Literature Review. Computers, 12(5). https://doi.org/10.3390/computers12050097

Chen, H., Chu, Y. C., & Lai, F. (2023). Mobile time banking on blockchain system development for community elderly care. Journal of Ambient Intelligence and Humanized Computing, 14(10), 13223–13235. https://doi.org/10.1007/s12652-022-03780-6

Ilham Tri Maulana. (2022). Penerapan Metode Sdlc ( System Development Life Cycle ) Waterfall Pada E-Commerce Smartphone. Jurnal Ilmiah Sistem Informasi Dan Ilmu Komputer, 2(2), 1–6. https://doi.org/10.55606/juisik.v2i2.162

Jafri, J. A., Mohd Amin, S. I., Abdul Rahman, A., & Mohd Nor, S. (2024). A systematic literature review of the role of trust and security on Fintech adoption in banking. Heliyon, 10(1), e22980. https://doi.org/10.1016/j.heliyon.2023.e22980

Marpid, N. N., Kurniawan, Y. I., & Rahayu, S. P. (2025). Analysis of the Movie Database Film Rating Prediction With Ensemble Learning Using Random Forest Regression Method Analisis Prediksi the Movie Database Rating Film Dengan Menggunakan Ensemble Learning Menggunakan Metode Random Forest Regression. Jurnal Teknik Informatika (JUTIF), 6(1), 1–10. https://doi.org/10.52436/1.jutif.2025.6.1.1563

Meneses, B., & Varajão, J. (2022). A Framework of Information Systems Development Concepts. Business Systems Research, 13(1), 84–103. https://doi.org/10.2478/bsrj-2022-0006

Ramayanti, R., Rachmawati, N. A., Azhar, Z., & Nik Azman, N. H. (2024). Exploring intention and actual use in digital payments: A systematic review and roadmap for future research. Computers in Human Behavior Reports, 13(October 2023), 100348. https://doi.org/10.1016/j.chbr.2023.100348

Saifudin, A., Saputra, A., Saputra, B., Subhan, F., Maulana, F., & Kusyadi, I. (2022). Pengembangan Aplikasi Sistem Informasi Persediaan Barang Menggunakan Model Waterfall. Jurnal Teknologi Sistem Informasi Dan Aplikasi, 5(4), 247–254. https://doi.org/10.32493/jtsi.v5i4.21197

Saravanos, A., & Curinga, M. X. (2023). Simulating the Software Development Lifecycle: The Waterfall Model. Applied System Innovation, 6(6). https://doi.org/10.3390/asi6060108

Sasmoko, Indrianti, Y., Manalu, S. R., & Danaristo, J. (2024). Analyzing Database Optimization Strategies in Laravel for an Enhanced Learning Management. Procedia Computer Science, 245(C), 799–804. https://doi.org/10.1016/j.procs.2024.10.306

Souha, A., Benaddi, L., Ouaddi, C., & Jakimi, A. (2024). Comparative analysis of mobile application Frameworks: A developer’s guide for choosing the right tool. Procedia Computer Science, 236, 597–604. https://doi.org/10.1016/j.procs.2024.05.071