KLASIFIKASI CITRA MENGGUNAKAN ARSITEKTUR MOBILENETV2 DENGAN PENDEKATAN TRANSFER LEARNING

haydar ali husnurrizqi; Dian Ade Kurnia; Yudhistira Arie Wijaya; Fatihanursari Dikananda; Umi Hayati

Authors

haydar ali husnurrizqi STMIK IKMI CIREBON, Indonesia
Dian Ade Kurnia STMIK IKMI Cirebon, Indonesia
Yudhistira Arie Wijaya
Fatihanursari Dikananda
Umi Hayati

Keywords:

klasifikasi citra, MobileNetV2, transfer learning, convolutional neural network, augmentasi data

Abstract

Perkembangan teknologi pengolahan citra digital mendorong pemanfaatan metode pembelajaran mendalam untuk menyelesaikan permasalahan klasifikasi citra secara efektif dan efisien. Namun, keterbatasan data latih dan kompleksitas model sering menjadi tantangan dalam pengembangan sistem klasifikasi citra berbasis Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk menerapkan arsitektur MobileNetV2 dengan pendekatan transfer learning dalam melakukan klasifikasi citra. Dataset citra melalui tahapan preprocessing dan augmentasi data untuk meningkatkan kualitas dan keberagaman data latih. Model MobileNetV2 yang telah dipra-latih digunakan sebagai feature extractor, kemudian dilakukan pelatihan lanjutan pada lapisan klasifikasi sesuai dengan jumlah kelas penelitian. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan MobileNetV2 berbasis transfer learning mampu memberikan kinerja klasifikasi yang baik dan stabil, serta efektif digunakan pada tugas klasifikasi citra dengan sumber daya komputasi yang terbatas. Penelitian ini membuktikan bahwa pendekatan transfer learning pada MobileNetV2 dapat menjadi solusi yang efisien dalam pengembangan sistem klasifikasi citra.

References

C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2021, doi: 10.1186/s40537-019-0197-0.

S. Khan, M. Naseer, M. Hayat, S. W. Zamir, and F. S. Khan, “Transformers in Vision: A Survey,” ACM Comput. Surv., vol. 54, no. 10, 2022, doi: 10.1145/3505244.

L. Alzubaidi, J. Zhang, A. J. Humaidi, A. Al-Dujaili, and Y. Duan, “Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions,” J. Big Data, vol. 8, no. 1, 2021, doi: 10.1186/s40537-021-00444-8.

M. Tan and Q. V Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” International Conference on Machine Learning (ICML), 2021.

H. Wang, Y. Li, and Q. Zhang, “Deep learning-based image classification: A comprehensive review,” Pattern Recognit., vol. 135, 2023, doi: 10.1016/j.patcog.2022.109111.

F. Zhuang, Z. Qi, K. Duan, D. Xi, and Y. Zhu, “A comprehensive survey on transfer learning,” Proceedings of the IEEE, vol. 109, no. 1, 2021, doi: 10.1109/JPROC.2020.3004555.

Z. Hussain, F. Gimenez, D. Yi, and D. Rubin, “Transfer learning for medical imaging: A systematic review,” Artif. Intell. Med., vol. 120, 2022, doi: 10.1016/j.artmed.2021.102234.

M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” IEEE Conference on Computer Vision and Pattern Recognition, 2021.

X. Li, W. Zhang, and H. Liu, “Lightweight CNN architectures for image classification: A comparative study,” Expert Syst. Appl., vol. 238, 2024, doi: 10.1016/j.eswa.2023.121867.

L. Perez and J. Wang, “The Effectiveness of Data Augmentation in Image Classification using Deep Learning,” arXiv preprint arXiv:1712.04621, 2022.