EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Perbandingan Kinerja EfficientNet, MobileNet, dan ResNet untuk Klasifikasi Warna Bunga Mawar dengan Analisis Explainable AI

Wilsen Grivin Mokodaser, Raissa Camilla Maringka, Ngurah Daniel Palar, Rolly Junius Lontaan

Indonesian Journal Computer Science · 31.10.2026 · 5 (2) · 168-177

DOI: 10.31294/ijcs.v5i2.14314 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Indonesian Journal Computer Science, online erschienen am 31.10.2026. Verfasst von Wilsen Grivin Mokodaser und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Klasifikasi warna bunga mawar merupakan tugas visi komputer yang sederhana namun memiliki potensi penerapan dalam penyortiran dan penilaian mutu pada rantai pasok florikultura. Penelitian ini membandingkan tiga arsitektur transfer learning, yaitu EfficientNetB0, MobileNetV2, dan ResNet50, untuk mengklasifikasikan citra mawar ke dalam empat kelas warna: merah, pink, putih, dan kuning. Dataset publik yang digunakan terdiri atas 3.000 citra dengan ketidakseimbangan kelas sekitar 3:1. Evaluasi dilakukan menggunakan protokol yang ketat melalui pemeriksaan kebocoran near-duplicate, pembagian data berbasis grup, pemilihan strategi penanganan ketidakseimbangan berdasarkan data validasi, pengujian dengan tiga random seed, pelaporan rata-rata ± simpangan baku, serta uji signifikansi McNemar. Efisiensi model dianalisis berdasarkan jumlah parameter, FLOPs, dan latensi inferensi. Baseline histogram warna HSV dengan Support Vector Machine mencapai macro-F1 sebesar 1,000 setelah kebocoran dikendalikan. Di antara model deep learning, ResNet50 tanpa perlakuan tambahan mencapai macro-F1 uji tertinggi sebesar 0,995, diikuti MobileNetV2 sebesar 0,965 dan EfficientNetB0 sebesar 0,961. Strategi penanganan ketidakseimbangan tidak memberikan peningkatan signifikan (McNemar p = 0,68). Namun, pada pengujian pergeseran kecerahan, macro-F1 baseline turun menjadi 0,41–0,49, sedangkan model CNN tetap tangguh; ResNet50 mempertahankan macro-F1 di atas 0,94. Grad-CAM menunjukkan perhatian model terpusat pada kelopak, sementara t-SNE memperlihatkan pemisahan klaster warna yang jelas. Temuan ini menegaskan pentingnya baseline sederhana, pengendalian kebocoran, dan evaluasi yang transparan.

Zitieren

APA

Mokodaser, W. G., Maringka, R. C., Palar, N. D., & Lontaan, R. J. (2026). Perbandingan Kinerja EfficientNet, MobileNet, dan ResNet untuk Klasifikasi Warna Bunga Mawar dengan Analisis Explainable AI. Indonesian Journal Computer Science, 5(2), 168-177. https://doi.org/10.31294/ijcs.v5i2.14314

Vancouver

Mokodaser WG, Maringka RC, Palar ND, Lontaan RJ. Perbandingan Kinerja EfficientNet, MobileNet, dan ResNet untuk Klasifikasi Warna Bunga Mawar dengan Analisis Explainable AI. Indonesian Journal Computer Science. 2026;5(2):168-177. doi:10.31294/ijcs.v5i2.14314

BibTeX
@article{Mokodaser2026,
  author = {Mokodaser, Wilsen Grivin and Maringka, Raissa Camilla and Palar, Ngurah Daniel and Lontaan, Rolly Junius},
  title = {Perbandingan Kinerja EfficientNet, MobileNet, dan ResNet untuk Klasifikasi Warna Bunga Mawar dengan Analisis Explainable AI},
  journal = {Indonesian Journal Computer Science},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {168--177},
  doi = {10.31294/ijcs.v5i2.14314}
}
Kostenlos starten →