PERBANDINGAN METODE MOBILENETV2 DAN EFFICIENTNETB0 UNTUK KLASIFIKASI JENIS PISANG
DOI:
https://doi.org/10.31539/0240cx09Abstract
Pisang merupakan salah satu komoditas pertanian utama dengan beragam jenis yang memiliki kemiripan visual, sehingga sulit dibedakan secara langsung. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2 dan EfficientNetB0, dalam mengklasifikasikan lima jenis pisang: Ambon, Cavendish, Barangan, Susu, dan Nangka. CNN digunakan sebagai metode deep learning yang mampu mengekstraksi fitur penting citra melalui proses konvolusi dan pembelajaran berlapis. Dataset terdiri dari 2.248 citra yang dibagi menjadi data pelatihan (70%), validasi (15%), dan pengujian (15%). Hasil pelatihan menunjukkan bahwa model EfficientNetB0 memperoleh akurasi sebesar 80%, sedangkan MobileNetV2 mencapai 75%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa EfficientNetB0 memiliki performa lebih baik dalam klasifikasi citra pisang dan dapat dijadikan model yang andal untuk penelitian lanjutan maupun penerapan praktis dalam sistem klasifikasi buah berbasis citra digital.
Kata Kunci: Convolutional Neural Network (CNN), MobileNetV2, EfficientNetB0, Klasifikasi, Jenis Pisang
References
Badan Pusat Statistik. (2023). Produksi Tanaman Buah-buahan, 2023. Bps.Go.Id.
Baehaqie, L., Swanjaya, D., & Putra Pamungkas, D. (2025). Perbandingan Akurasi Arsitektur MobileNet dan EfficientNet dalam Mendeteksi Produk Kemasan. Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 9, 1452–1460.
Choirunisa, T. A. A., Karlita, N., & Asmara, T. (2022). Deteksi Ras Kucing Menggunakan Compound Model Scaling Convolutional Neural Network. Technomedia Journal, 6(2), 236–251.
Della Adelia, Zahratul Fitri, & Cut Agusniar. (2025). DETEKSI DAUN HERBAL DAN BERACUN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN HERBAL DAN BERACUN. Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab, 10(2), 204–216. https://doi.org/10.36341/rabit.v10i2.6025
Dianto, A. R., Fetty Tri Anggraeny, & Hendra Maulana. (2025). ANALISIS EFEKTIFITAS ALGORITMA MOBILENETV3-LARGE DAN EFFICIENTNET-B0 UNTUK KLASIFIKASI CITRA PENYAKIT DAUN JERUK. Jurnal Informatika Dan Teknik Elektro Terapan, 13(3). https://doi.org/10.23960/jitet.v13i3.6956
Gampur, G., Wayan Ordiyasa, I., Kom, S., Hasta Mulyani, S., & Kom, M. (2023). KLASIFIKASI JENIS PISANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. https://www.kaggle.com/alviansyz/tensorflow-jenis-
Handayani, N. M. K. K., Hidayat, E. Y., Naufal, M., & Putra, P. L. W. E. (2024). Pengenalan Ekspresi Wajah Menggunakan Transfer Learning MobileNetV2 dan EfficientNet-B0 dalam Memprediksi Perkelahian. JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(1), 106. https://doi.org/10.30865/mib.v8i1.7048
Huda, F., & K. Putra, M. P. (2023). Klasifikasi Jenis Buah Pisang Menggunakan Algoritma Convolutional Neural Network. Journal of Artificial Intelligence and Technology Information (JAITI), 1, 100–105.
Iqbal Burhanuddin, M., Syaifullah, A., Adeka Putra Jaya, S., & Gabriel Somoal, M. (2025). Analisis Komparatif Model MobilenetV1 Dan EfficientnetB0 Dalam Klasifikasi Citra Empat Musim Menggunakan Transfer Learning. Jurnal Teknik Informatika, 5(2), 508–521.
Kasim, N., Bayanudin Fadilah, M., Al Hidayat, W., & Adi Saputra, R. (2024). Klasifikasi Jenis Tanaman Herbal Berdasarkan Citra Menggunakan Metode Convolution Neural Network (CNN). Jurnal Tekno Kompak, 19(1), 64–78.
Luthfi Bangun Permadi, M., & Gumilang, R. (2024). PENERAPAN ALGORITMA CNN (CONVOLUTIONAL NEURAL NETWORK) UNTUK DETEKSI DAN KLASIFIKASI TARGET MILITER BERDASARKAN CITRA SATELIT. Jurnal Sosial Dan Teknologi (SOSTECH), 4(2), 134–143.
Sahro Winanto, T., Rozikin, C., & Jamaludin, A. (2023). Analisa Performa Arsitektur Transfer Learning Untuk Mengindentifikasi Penyakit Daun Pada Tanaman Pangan. Journal of Applied Informatics and Computing (JAIC), 7(1), 74–87. http://jurnal.polibatam.ac.id/index.php/JAIC
Thio, S. E., & Susilo, J. (2025). Identifikasi Pemilahan Sampah Berbasis Algoritma Transfer Learning CNN Menggunakan MobileNetV2 dan EfficientNetB0. Bit-Tech, 8(1), 25–32. https://doi.org/10.32877/bt.v8i1.1900
Uly, N., Hendry, H., & Iriani, A. (2023). CNN-RNN Hybrid Model for Diagnosis of COVID-19 on X-Ray Imagery. Digital Zone: Jurnal Teknologi Informasi Dan Komunikasi, 14(1), 57–67. https://doi.org/10.31849/digitalzone.v14i1.13668
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Citha Nastitie, Irma Handayani2
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
