Analisis Perbandingan Arsitektur MobileNetV2, ResNet50 dan DenseNet121 Dalam Klasifikasi Jenis Daging Berdasarkan Citra Digital

Abstract

Penelitian ini membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2, ResNet50, dan DenseNet121, dalam klasifikasi jenis daging sapi dan babi berdasarkan citra digital. Permasalahan ini muncul karena seringnya terjadi penipuan di mana pedagang menjual daging babi yang lebih murah sebagai daging sapi, yang sulit dibedakan oleh konsumen tanpa bantuan teknologi. Studi ini bertujuan mengidentifikasi arsitektur CNN yang paling efisien untuk tugas ini, dengan menggunakan metode transfer learning dan variasi hyperparameter. Hasil penelitian menunjukkan bahwa DenseNet121 mencapai akurasi terbaik sebesar 70%, precision 0,7, recall 0,7, dan F1-score 0,7, menjadikannya arsitektur paling efektif. MobileNetV2 mengikuti dengan akurasi 60%, precision 0,6, recall 06, dan F1-score 0,6. Sebaliknya, ResNet50 memiliki performa terendah dengan akurasi 35%, precision 0,35, recall 0,35, dan F1-score 0,35. Temuan ini menunjukkan bahwa DenseNet121 lebih unggul dalam mengklasifikasi citra daging sapi dan babi, terutama dalam aplikasi yang membutuhkan identifikasi cepat dan akurat.