EVALUASI PENGARUH FINE-TUNING DAN DATA AUGMENTATION TERHADAP KINERJA MOBILENETV2 DAN RESNET50 PADA KLASIFIKASI RAS KUCING MENGGUNAKAN TRANSFER LEARNING

Abstrak

Identifikasi ras kucing secara manual sering mengalami kendala akibat tingginya kemiripan fitur visual antar-ras, sehingga berpotensi menimbulkan kesalahan dalam penanganan medis dan pemberian nutrisi. Penelitian ini bertujuan membandingkan kinerja arsitektur MobileNetV2 dan ResNet50 dalam klasifikasi 13 ras kucing menggunakan pendekatan Transfer Learning. Metode CRISP-DM diterapkan melalui empat skenario eksperimen untuk menganalisis pengaruh Data Augmentation dan Fine-Tuning, baik secara terpisah maupun kombinasi keduanya. Hasil penelitian menunjukkan bahwa kombinasi Data Augmentation dan Fine-Tuning memberikan performa terbaik. MobileNetV2 secara konsisten unggul pada seluruh skenario dengan akurasi tertinggi 90,00% dan F1-Score 90,02%, sedangkan ResNet50 hanya mencapai akurasi tertinggi 39,69%. Perbedaan performa sebesar 50,38% menunjukkan bahwa MobileNetV2 lebih adaptif dalam mengekstraksi fitur visual objek. Model terbaik kemudian diimplementasikan ke dalam prototipe aplikasi sebagai solusi klasifikasi ras kucing yang fungsional dan mudah digunakan.

Identifier

• DOI: https://doi.org/10.36341/rabit.v11i2.8004
• OpenAlex: https://openalex.org/W7167921455