Perbandingan Kinerja Model Deep Learning ResNet50 dan MobileNetV2 untuk Identifikasi Wajah Sapi

Abstract

Identifikasi sapi di Indonesia masih banyak mengandalkan metode tradisional seperti eartag, tato, dan RFID yang rentan rusak, hilang, atau dipalsukan. Sebagai solusi modern, biometrik wajah dipilih karena bersifat noninvasif, unik pada setiap individu, dan mudah diperoleh di lapangan. Penelitian ini membandingkan dua arsitektur deep learning, ResNet50 dan MobileNetV2, menggunakan metode transfer learning dan fine-tuning pada dataset citra wajah sapi lapangan serta dataset publik, dengan preprocessing berupa cropping wajah, resizing 224×224 piksel, dan augmentasi data. Hasil menunjukkan ResNet50 mencapai akurasi 99,87% dan F1-score 0,9987, sedangkan MobileNetV2 memperoleh akurasi 99,47% dan F1-score 0,9947. Uji pada prototipe Progressive Web App berbasis TensorFlow.js memperlihatkan bahwa ResNet50 lebih stabil, sedangkan MobileNetV2 lebih cepat dan efisien. Temuan ini menegaskan potensi biometrik wajah berbasis deep learning sebagai solusi identifikasi sapi yang efektif untuk mendukung manajemen peternakan modern di Indonesia.