%0 Thesis
%9 S1 - Sarjana
%A Fawzillah, Ahmad Afif
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:32327
%I Universitas AMIKOM Yogyakarta
%K Klasifikasi Citra, Transfer Learning, MobileNetV3, Tanaman Rempah,  Fine-Tuning, Image Classification, Spice Plants.
%T ANALISA IMPLEMENTASI TRANSFER LEARNING MOBILENETV3   TERHADAP VARIASI FINE-TUNING TOP LAYER UNTUK   KLASIFIKASI TANAMAN REMPAH
%U https://eprints.amikom.ac.id/id/eprint/32327/
%X Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra tanaman   rempah menggunakan metode Transfer Learning dengan arsitektur MobileNetV3.  Objek penelitian difokuskan pada empat jenis tanaman rempah yang memiliki  kemiripan visual, yaitu jahe, kunyit, kencur, dan lengkuas. Tahapan penelitian meliputi  pengumpulan dataset citra, proses preprocessing berupa resizing, normalisasi piksel,  dan augmentasi citra, kemudian dilanjutkan dengan perancangan model menggunakan  beberapa variasi top layer dan strategi pelatihan. Variasi arsitektur yang digunakan  mencakup perbandingan Flatten dan GlobalAveragePooling2D serta jumlah neuron  pada fully connected layer sebesar 128 dan 256. Selain itu, strategi pelatihan model  dilakukan melalui tiga skenario, yaitu pembekuan seluruh lapisan base model, finetuning    parsial dengan membuka sebagian lapisan akhir, serta full fine-tuning pada  seluruh lapisan jaringan.   Hasil pengujian menunjukkan bahwa penggunaan MobileNetV3 mampu  menghasilkan performa klasifikasi yang tinggi dengan tingkat akurasi di atas 94% pada  seluruh skenario. Namun demikian, fine-tuning tidak selalu memberikan peningkatan  performa yang signifikan, khususnya pada dataset berukuran terbatas, dan pada  beberapa konfigurasi justru berpotensi menimbulkan overfitting. Analisis lebih lanjut  menggunakan confidence score menunjukkan bahwa model dengan konfigurasi Flatten  + Dense (128) Full Fine-Tuning memiliki tingkat kestabilan prediksi yang lebih baik  dibandingkan konfigurasi lainnya. Secara keseluruhan, penelitian ini membuktikan  bahwa pemilihan arsitektur top layer, jumlah neuron, serta strategi pelatihan yang tepat  berperan penting dalam meningkatkan kualitas model. MobileNetV3 terbukti menjadi  solusi yang efektif dan efisien untuk klasifikasi citra tanaman rempah dengan  keseimbangan antara akurasi dan kompleksitas model.