Penerapan Transfer Learning MobileNetV2 Pada Klasifikasi Citra Jenis Buah-Buahan
DOI:
https://doi.org/10.26905/jisad.v3i2.16187Keywords:
Artificial Intelligence; , Deep Learning; , CNN; , Transfer Learning MobileNetV2;Abstract
Perkembangan teknologi kecerdasan buatan (Artificial Intelligence), khususnya pada bidang Deep Learning telah membawa kemajuan signifikan dalam pengolahan citra digital. Salah satu metode yang terbukti efektif adalah Convolutional Neural Network (CNN) yang mampu melakukan ekstraksi fitur secara otomatis dan klasifikasi secara akurat. Penelitian ini bertujuan untuk mengatasi keterbatasan pelatihan dari awal (from scratch) dengan menerapkan Transfer Learning menggunakan arsitektur pretrained MobileNetV2 serta mengevaluasi performanya melalui metrik accuracy, precision, recall, dan f1-score. Dataset diperoleh dari hasil scraping dan pemilahan manual dari beberapa sumber publik di Kaggle yang menghasilkan 4000 citra dari 20 kelas buah. Proses pemodelan dilakukan di lingkungan Google Colab menggunakan bahasa pemrograman Python dengan pustaka TensorFlow, Keras, Scikit- learn, dan pendukung lainnya. Hasil penelitian menunjukkan model mencapai accuracy 94% pada data uji dengan rata-rata precision, recall, dan f1-score mencapai 0.93-0.94 dengan performa sempurna 1.00 pada beberapa kelas. Hal ini membuktikan bahwa MobileNetV2 efektif untuk klasifikasi citra jenis buah-buahan dengan data terbatas, waktu pelatihan relatif singkat, dan efisiensi sumber daya komputasi.
Downloads
References
[1] S. J. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Hoboken, NJ: Pearson, 2020.
[2] R. C. Tarumingkeng, Deep Learning. Bogor, Indonesia: RudyCT e-Press, 2024.
[3] N. A. Batubara and R. M. Awangga, Tutorial Object Detection Plate Number with Convolution Neural Network (CNN), vol. 1. Kreatif Industri Nusantara, 2020.
[4] I. R. W. Putra, “Deteksi jenis buah-buahan menggunakan deep learning,” Skripsi, Fakultas Teknologi dan Informatika, Universitas Dinamika, 2020. [Online]. Available: https://repository.dinamika.ac.id/id/eprint/5392/1/17410200032-2020-UNIVERSITASDINAMIKA.pdf
[5] F. Paraijun, R. N. Aziza, and D. Kuswardani, “Implementasi algoritma convolutional neural network dalam mengklasifikasi kesegaran buah berdasarkan citra buah,” KILAT: Jurnal Ilmiah Teknologi dan Informasi, vol. 11, no. 1, pp. 1–9, 2022. [Online]. Available: https://doi.org/10.33322/kilat.v11i1.1458
[6] D. W. Rahayu, D. Setiadi, and D. Yuniarto, “Penerapan deep learning untuk klasifikasi buah berdasarkan citra dengan metode convolutional neural networks,” INDOTECH: Indonesian Journal of Education and Computer Science, vol. 2, no. 3, pp. 196–202, 2024. [Online]. Available: https://jurnal.intekom.id/index.php/indotech
[7] A. R. Muslikh, D. R. I. M. Setiadi, and A. A. Ojugo, “Rice disease recognition using transfer learning Xception convolutional neural network,” Jurnal Teknik Informatika (JUTIF), vol. 4, no. 6, pp. 1541–1547, 2023. [Online]. Available: https://doi.org/10.52436/1.jutif.2023.4.6.1529
[8] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted residuals and linear bottlenecks,” in Proc. 2018 IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), 2018, pp. 4510–4520. [Online]. Available: https://doi.org/10.1109/CVPR.2018.00474
[9] Ravi, N, Gabeur, V, & Hu, YT 2024, 'Mobilenetv2: Inverted residuals and linear bottlenecks', arXiv
[10] Q. Aini, N. Lutfiani, H. Kusumah, and M. S. Zahran, “Deteksi dan pengenalan objek dengan model machine learning: Model YOLO,” CESS (Journal of Computer Engineering System and Science), vol. 6, no. 2, Jul. 2021. [Online]. Available: https://doi.org/10.24114/cess.v6i2.25840
[11] A. M. Simarmata, A. Z. Putra, and A. M. Husein, “Penerapan metode computer vision dalam klasifikasi buah jeruk menggunakan teknik image pre-processing,” DSI: Jurnal Data Science Indonesia, vol. 3, no. 2, 2024. [Online]. Available: https://doi.org/110.47709/dsi.v3i2.4010
[12] W. Sapitri, Y. N. Kunang, I. Z. Yadi, and M. Mahmud, “The impact of data augmentation techniques on the recognition of script images in deep learning models,” JOIN (Jurnal Online Informatika), vol. 8, no. 2, pp. 169–176, Dec. 2023. [Online]. Available: https://doi.org/10.15575/join.v8i2.1073
[13] M. I. Iqbal and D. Avianto, “Squeeze-and-Excitation networks and attention mechanism in automatic detection of coffee leaf diseases based on images,” J. Soft Comput. Explor., vol. 5, no. 4, pp. 320–331, Dec. 2024. [Online]. Available: https://shmpublisher.com/index.php/joscex
[14] Y. A. Sitorus, Y. A. Sari, and S. Adinugroho, “Evaluasi komparatif arsitektur lightweight CNN, MobileNetV2, dan EfficientNetB0 dalam deteksi penyakit daun jagung,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 8, Aug. 2025. [Online]. Available: http://j-ptiik.ub.ac.id
[15] L. Alzubaidi, J. Zhang, A. J. Humaidi, A. Al‑Dujaili, Y. Duan, O. Al‑Shamma, J. Santamaría, M. A. Fadhel, M. Al‑Amidie, and L. Farhan, “Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions,” Journal of Big Data, 2021. [Online]. Available: https://doi.org/10.1186/s40537-021-00444-8
[16] T. B. Sasongko, H. Haryoko, and A. Amrullah, “Analisis efek augmentasi dataset dan fine tune pada algoritma pre-trained convolutional neural network (CNN),” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 10, no. 4, pp. 763–768, Aug. 2023. [Online]. Available: https://doi.org/10.25126/jtiik.2023106583
[17] M. Fadhilatuzzahro, A. Fazrin, Z. I. Arishandy, T. A. Sukoco, and H. Maulana, “Optimalisasi model CNN EfficientNet-B0 dengan fine tuning untuk klasifikasi penyakit buah jeruk,” Jurnal Ilmiah Teknologi Informasi dan Robotika, vol. 7, no. 1, pp. 23–30, Dec. 2025. [Online]. Available: https://doi.org/10.33005/jifti.v7i1.162
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Journal of Information System and Application Development
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish in this journal agree to the following terms:
(1) Copyright of the published articles will be transferred to the journal as the publisher of the manuscripts. Therefore, the author confirms that the journal has managed the copyright.
(2) Publisher of JISAD: Journal of Information System and Application Development is the University of Merdeka Malang.
(3) The copyright follows Creative Commons Attribution ShareAlike License (CC BY SA): This license allows to Share - copy and redistribute the material in any medium or format, Adapt - remix, transform, and build upon the material, for any purpose, even commercially.
