STUDI KOMPARASI VARIASI PENGAMBILAN CITRA PADA KLASIFIKASI MENTOK SIAP POTONG MENGGUNAKAN MOBILENETV2
DOI:
https://doi.org/10.29407/pw8svm52Abstract
Klasifikasi citra berbasis deep learning telah banyak digunakan untuk membantu proses identifikasi objek secara otomatis, termasuk pada bidang peternakan. Penelitian ini bertujuan untuk membandingkan kinerja MobileNetV2 dalam mengklasifikasikan mentok siap potong, mentok belum siap potong, dan bukan mentok berdasarkan variasi kondisi pengambilan citra. Dataset disusun berdasarkan variasi kondisi pengambilan citra yang meliputi latar belakang berwarna hijau, pengambilan citra jarak dekat, pengambilan citra jarak jauh, serta kombinasi dari ketiga kondisi tersebut. Setiap kelas terdiri atas 100 citra. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kinerja model berbeda pada setiap dataset. Dataset pengambilan jarak dekat menunjukkan performa terbaik dengan accuracy sebesar 78% serta nilai precision, recall, dan F1-score tertinggi sebesar 1,00 pada kelas bukan mentok. Sementara itu, dataset kondisi campuran dan dataset pengambilan jarak jauh menghasilkan accuracy sebesar 67%. Hasil penelitian menunjukkan bahwa kondisi pengambilan citra yang lebih terkontrol dan mampu menampilkan detail objek dengan lebih jelas cenderung menghasilkan performa klasifikasi yang lebih baik.
Keywords:
klasifikasi citra, mentok, MobileNetV2, kondisi pengambilan citra##plugins.themes.default.displayStats.downloads##
References
[1] A. Widigdyo, N. A. Mardiana, and P. Purnomo, "Pengembangan Pakan Alternatif Ternak Entok berbasis Onggok Fermentasi di Kelompok Tani Ternak Rojo Koyo Berkah," Jurnal ABDINUS: Jurnal Pengabdian Nusantara, vol. 8, no. 3, pp. 744-754, 2024, doi: 10.29407/ja.v8i3.23608.
[2] A. Putra, T. G. Pradana, and D. Alfachri, "Analisis Morfometrik Ternak Itik Manila (Cairina moschata) di Kecamatan Hamparan Perak Kabupaten Deli Serdang," Jurnal Ilmu Peternakan dan Veteriner Tropis, vol. 12, no. 2, pp. 136-142, 2022, doi: 10.46549/jipvet.v12i2.215.
[3] Y. Nustini and A. Allwar, "Pembimbingan Berwirausaha Beternak Bebek dan Mentok di Kabupaten Sleman D.I. Yogyakarta," Rahmatan Lil 'Alamin Journal of Community Services, vol. 1, no. 2, pp. 77-89, 2021, doi: 10.20885/RLA.Vol1.iss2.art3.
[4] S. Dewi, F. Ramadhani, and S. Djasmayena, "Klasifikasi Jenis Jerawat Berdasarkan Gambar Menggunakan Algoritma CNN (Convolutional Neural Network)," Hello World Jurnal Ilmu Komputer, vol. 3, no. 2, pp. 68-73, 2024, doi: 10.56211/helloworld.v3i2.518.
[5] M. Kholil, H. P. Waspada, and R. Akhsani, "Klasifikasi Penyakit Infeksi Pada Ayam Berdasarkan Gambar Feses Menggunakan Convolutional Neural Network," SINTECH (Science and Information Technology) Journal, vol. 5, no. 2, pp. 198-204, 2022, doi: 10.31598/sintechjournal.v5i2.1179.
[6] R. A. Kartono and N. Rachmat, "Perbandingan Kinerja Arsitektur MobileNetV2 dan MobileNetV3 Dalam Klasifikasi Penyakit Retina pada Citra Optical Coherence Tomography (OCT) Menggunakan Optimizer AdamW dan SGD," Bulletin of Computer Science Research, vol. 6, no. 1, pp. 352-363, 2025, doi: 10.47065/bulletincsr.v6i1.915.
[7] N. Nafiiyah and Dwi, "PERBANDINGAN VGG16, VGG19, MOBILENET DAN MOBILENETV2 UNTUK KLASIFIKASI BERAS BERDASARKAN CITRA," Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, vol. 11, no. 1, pp. 1368-1380, 2026, doi: 10.36341/rabit.v11i1.7338.
[8] K. Velarati, C. A. Sari, and E. H. Rachmawanto, "A Comparison of Convolutional Neural Network (CNN) and Transfer Learning MobileNetV2 Performance on Spices Images Classification," Journal of Applied Informatics and Computing, vol. 8, no. 2, pp. 413-420, 2024, doi: 10.30871/jaic.v8i2.8622.
[9] F. Amaludin, M. I. Zulfa, and H. Siswantoro, "PENGARUH HYPERPARAMETER TUNING PADA KINERJA MOBILENETV2 DENGAN TRANSFER LEARNING UNTUK DETEKSI PENYAKIT KULIT," Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi, vol. 2, no. 2, pp. 84-94, 2025, doi: 10.61124/sinta.v2i2.43.
[10] Q. Chen, F. Xu, and M. Nasseri, "An enhanced MobileNet-V2 architecture optimized for the sector of e-commerce supply chain finance based on an improved coyote algorithm," AIP Adv., vol. 15, 2025, doi: 10.1063/5.0277896.
[11] M. H. R. Pratama, M. Akrom, A. P. Santosa, M. R. Rosyid, and L. Mawaddah, "Klasifikasi Otomatis Korosi Menggunakan Convolutional Neural Network dan Transfer Learning dengan Model MobileNetV2," Jurnal Algoritma, vol. 22, no. 1, pp. 138-148, 2025, doi: 10.33364/algoritma/v.22-1.2182.
[12] N. C. I. Natun, M. A. Santhia, and Y. R. Kaesmetan, "Identifikasi Pengenalan Wajah Berdasarkan Jenis Kelamin Menggunakan Metode Convolutional Neural Network (CNN)," Journal of Technology and Informatics (JoTI), vol. 6, no. 1, pp. 50-57, 2024, doi: 10.37802/joti.v6i1.694.
[13] M. R. D. P. Lamadjido et al., "Utilization of EfficientNet-B0 to Identify Oncomelania Hupensis Lindoensis as a Schistosomiasis Host," Journal of Applied Informatics and Computing, vol. 9, no. 3, pp. 784-793, 2025, doi: 10.30871/jaic.v9i3.9058.
[14] I. P. Sari, F. Ramadhani, A. Satria, and D. Apdilah, "Implementasi Pengolahan Citra Digital dalam Pengenalan Wajah menggunakan Algoritma PCA dan Viola Jones," Hello World Jurnal Ilmu Komputer, vol. 2, no. 3, pp. 146-157, 2023, doi: 10.56211/helloworld.v2i3.346.
[15] A. P. Aryaputra, D. W. Widodo, and A. Sanjaya, "Klasifikasi Penyakit Daun Tomat Menggunakan Algoritma CNN Mobilenet V2," Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), vol. 9, no. 1, pp. 102-108, 2025, doi: 10.29407/s37pzf98.
[16] H. A. Irianta, A. Fadlil, and R. Umar, "Identifikasi Ucapan Disartria Menggunakan Arsitektur Convolutional Neural Network MobileNetV2 dan MFCC," Teknologi: Jurnal Ilmiah Sistem Informasi, vol. 16, no. 1, pp. 1-12, 2026, doi: 10.26594/teknologi.v16i1.5842.
[17] F. Tangguh and Y. Islami, "Analisis performa algoritma Stochastic Gradient Descent (SGD) dalam mengklasifikasikan tahu berformalin," Indonesian Journal of Data and Science, vol. 3, no. 1, pp. 1-8, 2022, doi: 10.56705/ijodas.v3i1.42.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
