Keywords
EfficientNet
MobileNet
Object Detection
Produk Kemasan
How to Cite
Abstract
Penelitian ini membahas perbandingan performa dua arsitektur deep learning, yaitu MobileNet dan EfficientNet, dalam mendeteksi produk kemasan berbasis citra. Dataset yang digunakan terdiri dari 150 gambar tiga jenis produk kemasan, yaitu Le Minerale, Isoplus, dan Sprite, yang telah melalui proses anotasi dan dibagi menjadi data latih, validasi, dan uji. Proses pelatihan dilakukan selama 10 epoch dengan ukuran citra 448x448 piksel. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa MobileNet memiliki performa sangat baik dengan akurasi 100% pada ketiga kelas produk, serta nilai precision, recall, dan f1-score sebesar 1.00 pada semua kategori. Sementara itu, EfficientNet menunjukkan hasil yang kurang optimal dengan akurasi hanya 33%, disertai bias prediksi terhadap satu kelas saja. Berdasarkan hasil tersebut, MobileNet direkomendasikan sebagai arsitektur yang lebih efisien dan andal dalam kasus deteksi produk kemasan berdasarkan dari hasil dan penelitian yang dilakukan.
References
[1] E. Sihabudin, R. Kumalasari Niswatin, and L. S. Wahyuniar, “Penerjemah Bahasa Isyarat Menggunakan Tensorflow,” Seminar Nasional Inovasi Teknologi, Jul. 2022.
[2] R. Fajri and F. Fitria, “KLIK: Kajian Ilmiah Informatika dan Komputer Pengembangan Real-Time Object Detection System pada Perangkat Single-Board Computer,” Media Online), vol. 4, no. 2, pp. 1154–1162, 2023, doi: 10.30865/klik.v4i2.1224.
[3] MAHFUZON AKHIAR, “PENERAPAN DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI MOTIF BATIK,” November, Sep. 2021.
[4] Y. Miftahuddin and F. Zaelani, “Perbandingan Metode Efficientnet-B3 dan Mobilenet-V2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,” 2022.
[5] S. A. F. Harahap and I. Irmawan, “Performance comparison of MobileNet, EfficientNet, and Inception for predicting crop disease,” Sriwijaya Electrical and Computer Engineering Journal, vol. 1, no. 1, pp. 30–36, Feb. 2024, doi: 10.62420/selco.v1i1.4.
[6] Albertus Adrian Susanto, “IMPLEMENTASI DETEKSI OBJEK SECARA REAL-TIME,” Yogyakarta, Jul. 2023.
[7] B. Khasoggi, Ermatita, and Samsuryadi, “Efficient mobilenet architecture as image recognition on mobile and embedded devices,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 16, no. 1, pp. 389–394, Oct. 2019, doi: 10.11591/ijeecs.v16.i1.pp389-394.
[8] T. Turahman, E. Hasmin, and K. Aryasa, “Analisis Perbandingan Metode Convolutional Neural Network (CNN) dan MobileNet dalam Klasifikasi Penyakit Daun Padi.” [Online]. Available: https://www.kaggle.com/datasets/vbookshelf/rice-
[9] M. Iqbal Burhanuddin, A. Syaifullah, S. Adeka Putra Jaya, M. Gabriel Somoal, and U. Muhammadiyah HAMKA, “Analisis Komparatif Model MobilenetV1 Dan EfficientnetB0 Dalam Klasifikasi Citra Empat Musim Menggunakan Transfer Learning,” 2025.
[10] Aryo Hardirega, Irsan Jaelani, and Minarto, “IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) KLASIFIKASI MOTIF BATIK MENGGUNAKAN EFFICIENTNET-B1,” Kab. Purwakarta, Oct. 2024.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Lu'ay Baehaqie, Daniel Swanjaya, Danar Putra Pamungkas