ANALISIS KOMPARATIF ARSITEKTUR EFFICIENTNET DAN MOBILENET UNTUK KLASIFIKASI KESUBURAN TELUR BEBEK BERDASARKAN CITRA CANDLING PADA PLATFORM ANDROID

Muis, Nasrul Amin (2026) ANALISIS KOMPARATIF ARSITEKTUR EFFICIENTNET DAN MOBILENET UNTUK KLASIFIKASI KESUBURAN TELUR BEBEK BERDASARKAN CITRA CANDLING PADA PLATFORM ANDROID. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (2MB)
	Text (BAB I) BAB I.pdf - Published Version Download (275kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (406kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (90kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (1MB)
	Archive (SOURCE CODE) Sourcecode - 22.12.2398.zip - Published Version Restricted to Repository staff only Download (39MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (809kB)

Abstract

Penelitian ini melakukan analisis komparatif untuk mengukur dan membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN), yaitu EfficientNet V2 B0 dan MobileNet V3 Large. Untuk mempercepat proses pelatihan, penelitian ini mengimplementasikan teknik transfer learning dengan menggunakan dataset citra candling telur publik dari platform Roboflow. Kinerja kedua model dievaluasi berdasarkan dua kategori utama. akurasi klasifikasi dan efisiensi pada perangkat mobile. Hasil evaluasi menunjukkan bahwa EfficientNetV2B0 mencapai akurasi yang jauh lebih unggul dengan nilai accuracy 98%, F1-Score 0.9773, dan AUC 0.998. Di sisi lain, MobileNetV3Large mencatatkan akurasi yang lebih rendah sebesar 86%, F1-Score 0.8637, dan AUC 0.931. Namun, dalam hal performa di perangkat mobile, MobileNetV3Large terbukti lebih efisien dengan ukuran model TF Lite hanya 13.73 MB dan kecepatan inferensi rata-rata 8.7 ms. Sebagai perbandingan, EfficientNetV2B0 memiliki ukuran model TF Lite 25.35 MB dan kecepatan inferensi 26.7 ms. Hasil penelitian mengonfirmasi bahwa EfficientNetV2B0 menawarkan akurasi tertinggi, sementara MobileNetV3Large memberikan keseimbangan terbaik antara akurasi yang cukup dengan efisiensi yang baik, menjadikannya lebih cepat dan ringan untuk implementasi pada aplikasi Android. Aplikasi yang dikembangkan diharap dapat menjadi solusi praktis dan akurat bagi para peternak bebek untuk menekan potensi kerugian, dan mempermudah proses penyortiran telur tanpa memerlukan keahlian khusus.

Actions (login required)

View Item