Penelitian ini bertujuan mengevaluasi performa model klasifikasi citra berbasis Transfer Learning menggunakan arsitektur MobileNetV2 dan ResNet50, membandingkan performa klasifikasi serta efisiensi komputasi kedua model, dan mengimplementasikan model terbaik ke dalam aplikasi berbasis web yang terintegrasi dengan fitur Text-to-Speech (TTS). Penelitian menggunakan metodologi CRISP-DM dengan dataset CIFAR-100 yang terdiri atas 100 kelas dengan setiap kelas memiliki 500 citra latih dan 100 citra uji. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix, serta parameter efisiensi berupa waktu pelatihan, waktu inferensi, jumlah parameter, dan ukuran model. Hasil penelitian menunjukkan bahwa ResNet50 menghasilkan performa klasifikasi lebih baik dengan accuracy 79,95%, precision 80,20%, recall 79,95%, dan F1-score 79,89%, sedangkan MobileNetV2 memperoleh accuracy 72,10%, precision 72,72%, recall 72,10%, dan F1-score 71,92%. Dari sisi efisiensi komputasi, MobileNetV2 lebih unggul dengan waktu pelatihan 1.886,44 detik (31 menit 26,44 detik), waktu inferensi 1,409 ms per gambar, 2.391.204 parameter, dan ukuran model 22,36 MB, sedangkan ResNet50 memerlukan waktu pelatihan 4.500,05 detik (75 menit 0,05 detik ≈ 1 jam 15 menit 0,05 detik), waktu inferensi 4,128 ms per gambar, 23.800.804 parameter, dan ukuran model 213,85 MB. Berdasarkan hasil tersebut, ResNet50 dipilih sebagai model terbaik karena memiliki performa klasifikasi yang lebih tinggi dan berhasil diimplementasikan pada aplikasi web berbasis Streamlit yang terintegrasi dengan Google Text-to-Speech. Penelitian ini menunjukkan bahwa pendekatan Transfer Learning mampu menghasilkan sistem pengenalan objek yang akurat serta berpotensi mendukung pengembangan teknologi asistif berbasis kecerdasan buatan.

S12662

INF 0184 2026

Bekasi

Tersedia