PERBANDINGAN MOBILENETV2 DAN DENSENET121 PADA KLASIFIKASI TERUMBU KARANG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
DOI:
https://doi.org/10.70248/jrsit.v2i3.1844Abstract
Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra terumbu karang menggunakan metode Convolutional Neural Network (CNN) dengan perbandingan antara dua arsitektur, yaitu MobileNetV2 dan DenseNet121. Dataset yang digunakan dalam penelitian ini diperoleh dari Kaggle dan terdiri dari dua kelas, yaitu bleached (karang mengalami pemutihan) dan unbleached (karang sehat). Penelitian ini melibatkan beberapa tahapan utama, yaitu pengumpulan dataset, preprocessing data, pembagian data (training dan validasi), pelatihan model, pengujian model, serta evaluasi performa dan efisiensi model. Evaluasi dilakukan dengan mempertimbangkan akurasi, precision, recall, F1-score, confusion matrix, serta efisiensi dalam waktu pelatihan dan penggunaan memori. Hasil penelitian menunjukkan bahwa MobileNetV2 memiliki akurasi pengujian sebesar 93%, dengan precision dan recall yang tinggi untuk kedua kelas. Model ini mampu mengklasifikasikan terumbu karang dengan baik dan menunjukkan efisiensi dalam hal komputasi. DenseNet121 juga memberikan hasil yang kompetitif, namun memerlukan sumber daya komputasi yang lebih besar dibandingkan MobileNetV2. Simpulan, bahwa MobileNetV2 lebih optimal untuk diterapkan pada perangkat dengan keterbatasan daya komputasi, sementara DenseNet121 dapat digunakan untuk skenario yang membutuhkan akurasi lebih tinggi dan memiliki sumber daya yang memadai.
Kata Kunci: Pemutihan Terumbu Karang, CNN, MobileNetV2, DenseNet121, Klasifikasi Citra
References
Andika Maulana, S., Husna Batubara, S., Permata Putri Pasaribu, Y., Syahputra, H., & Ramadhani, F. (2024). Deteksi Burung Menggunakan Convolutional Neural Network (Cnn) Dengan Model Arsitektur Mobilenetv2. JATI (Jurnal Mahasiswa Teknik Informatika), 8(4), 6108–6114. https://doi.org/10.36040/jati.v8i4.10126
ANHAR, A., & PUTRA, R. A. (2023). Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN). ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 11(2), 466. https://doi.org/10.26760/elkomika.v11i2.466
Baay, M. N., Irfansyah, A. N., & Attamimi, M. (2021). Sistem Otomatis Pendeteksi Wajah Bermasker Menggunakan Deep Learning. Jurnal Teknik ITS, 10(1). https://doi.org/10.12962/j23373539.v10i1.59790
Hadi, H. P., Rachmawanto, E. H., & Ali, R. R. (2024). Comparison of DenseNet-121 and MobileNet for Coral Reef Classification. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 23(2), 333–342. https://doi.org/10.30812/matrik.v23i2.3683
Hadi, H. P., Rachmawanto, E. H., & Sari, C. A. (2024). Klasifikasi Terumbu Karang Menggunakan Cnn Mobilenet. Semnas Ristek (Seminar Nasional Riset Dan Inovasi Teknologi), 8(01), 326–332. https://doi.org/10.30998/semnasristek.v8i01.7177
Hatur, Y., & Sabri, A. (2024). Perbandingan Arsitektur MobileNetV2 dan DenseNet121 untuk Klasifikasi. Jurnal Ilmiah Komputasi, 23(1), 67–74. https://doi.org/10.32409/jikstik.23.1.3502
I Wayan Suartika E. P, A. Y. W. dan R. S. (2016). Jurnal Teknik ITS Vol. 5, No. 1, (2016) ISSN: 2337-3539 (2301-9271 Print). Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101, Vol. 5, No(1), 1–2.
Khultsum, U., & Taufik, G. (2023). Komparasi Kinerja DenseNet 121 dan MobileNet untuk Klasifikasi Citra Penyakit Daun Kentang. JURIKOM (Jurnal Riset Komputer), 10(2), 558. https://doi.org/10.30865/jurikom.v10i2.6047
Lisa, D., & Putri, R. (2025). Klasifikasi Citra Jenis Hijab Menggunakan Densenet-121. 13(1).
Listyalina, L., Buyung, I., Munir, A. Q., Mustiadi, I., & Dharmawan, D. A. (2022). Conv-Tire: Tire Feasibility Assessment using Convolutional Neural Networks Conv-Tire: Asesmen Kelayakan Ban berbasis Convolutional Neural Network. Jurnal Informatika Dan Teknologi Informasi, 19(3), 323–336. https://doi.org/10.31515/telematika.v19i3.7697
Permatasari, A., Yustisia, D., Alamsyah, R., & Fauzi, I. (2023). Kondisi Terumbu Karang Di Perairan Pulau Batanglampe Kabupaten Sinjai. Sebatik, 27(2), 651–656. https://doi.org/10.46984/sebatik.v27i2.2400
Saputra, A. D., Hindarto, D., & Santoso, H. (2023). Disease Classification on Rice Leaves using DenseNet121, DenseNet169, DenseNet201. Sinkron, 8(1), 48–55. https://doi.org/10.33395/sinkron.v8i1.11906
Sulfa, A. M. F., Zahirah, N. R. P., & Assidiq, F. M. (2024). Dampak Coral Bleaching Pada Masyarakat Lokal Di Kawasan Taman Laut Bunaken. Riset Sains Dan Teknologi Kelautan, 7(1), 22–27. https://doi.org/10.62012/sensistek.v7i1.31626
Sully, S., Burkepile, D. E., Donovan, M. K., Hodgson, G., & van Woesik, R. (2019). A global analysis of coral bleaching over the past two decades. Nature Communications, 10(1), 1–5. https://doi.org/10.1038/s41467-019-09238-2
Suryatini, K. Y., & Rai, G. A. (2020). Potential for Recovery of Coral Reef Ecosystem : Positive Impact of The Covid-19 Pandemic on The Environment. Jurnal Emasains: Jurnal Edukasi Matematika Dan Sains, IX(2), 206–215.
Thamarai, M., & Aruna, S. P. (2023). Stressed Coral Reef Identification Using Deep Learning CNN Techniques. Journal of Electronic & Information Systems, 5(2), 1–9. https://doi.org/10.30564/jeis.v5i2.5808
Vellaichamy, A. S., Swaminathan, A., Varun, C., & S, K. (2021). Multiple Plant Leaf Disease Classification Using Densenet-121 Architecture. International Journal of Electrical Engineering and Technology, 12(5), 38–57. https://doi.org/10.34218/ijeet.12.5.2021.005
Wang, S., Chen, N. L., Song, Y. D., Wang, T. T., Wen, J., Guo, T. Q., Zhang, H. J., Mo, L., Ma, H. R., & Xiang, L. (2024). ML-Net: A Multi-Local Perception Network for Healthy and Bleached Coral Image Classification. Journal of Marine Science and Engineering, 12(8). https://doi.org/10.3390/jmse12081266
Wang, W., Li, Y., Zou, T., Wang, X., You, J., & Luo, Y. (2020). A novel image classification approach via dense-mobilenet models. Mobile Information Systems, 2020. https://doi.org/10.1155/2020/7602384
Zhou, D., Hou, Q., Chen, Y., Feng, J., & Yan, S. (2020). Rethinking Bottleneck Structure for Efficient Mobile Network Design. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 12348 LNCS, 680–697. https://doi.org/10.1007/978-3-030-58580-8_40
