%L universitasamikomyogyakarta33093
%T IMPLEMENTASI DAN ANALISIS KOMPARATIF MOBILENETV3
DENGAN DAN TANPA AUGMENTASI DATA SERTA FINE-TUNING
TERHADAP AKURASI DAN EFISIENSI KOMPUTASI PADA
KLASIFIKASI SPESIES BUNGA
%I Universitas AMIKOM Yogyakarta
%X Penelitian ini bertujuan untuk mengimplementasikan arsitektur
MobileNetV3 pada tugas klasifikasi spesies bunga serta menganalisis perbandingan
performa model dengan dan tanpa penerapan augmentasi data serta fine-tuning.
MobileNetV3 dikenal sebagai model yang ringan dan efisien untuk perangkat
dengan sumber daya terbatas, sehingga cocok untuk aplikasi klasifikasi citra secara
real-time. Fokus utama studi ini adalah mengukur sejauh mana kombinasi
augmentasi data dan fine-tuning dapat meningkatkan akurasi model serta
pengaruhnya terhadap efisiensi komputasi. 
Metode penelitian dilakukan dengan melatih dua konfigurasi model
menggunakan dataset Oxford Flowers 102. Model pertama digunakan sebagai
baseline tanpa augmentasi data dan hanya mengandalkan bobot awal pre-trained
tanpa fine-tuning menyeluruh, sedangkan model kedua dioptimalkan dengan teknik
augmentasi data (seperti rotasi, flipping, dan penyesuaian kontras) serta fine-tuning
pada lapisan tertentu. Evaluasi dilakukan berdasarkan metrik akurasi (top-1
accuracy) dan efisiensi komputasi yang diukur dari waktu inferensi rata-rata serta
jumlah parameter model. 
Hasil eksperimen menunjukkan bahwa model dengan augmentasi data dan
fine-tuning mencapai peningkatan akurasi yang signifikan dibandingkan model
baseline, dengan selisih akurasi mencapai lebih dari 3%. Namun, peningkatan
akurasi ini disertai sedikit tambahan waktu inferensi, meskipun masih dalam batas
yang wajar untuk aplikasi praktis. Secara keseluruhan, MobileNetV3 yang
dioptimalkan mampu memberikan keseimbangan yang baik antara akurasi tinggi
dan efisiensi komputasi, sehingga layak diimplementasikan dalam sistem
klasifikasi spesies bunga berbasis citra.
%K obileNetV3, augmentasi data, fine-tuning, klasifikasi spesies bunga,
akurasi, efisiensi komputasi, data augmentation, fine-tuning, flower species
classification, accuracy, computational efficiency.
%A Honnasan Yousouf
%D 2026