Analisis Perbandingan Ketahanan Gangguan Gambar Terhadap Arsitektur Model MobileNetV2 dan EfficientNet-Lite0 dalam Mengklasifikasikan Jenis Jamur

Abstrak

Model Convolutional Neural Network (CNN) untuk klasifikasi jamur sering menghadapi penurunan performa drastis ketika diimplementasikan di dunia nyata. Hal ini disebabkan oleh kesenjangan antara data latih yang “bersih” (ideal) dan data akuisisi lapangan yang sering mengalami gangguan visual, seperti pencahayaan tidak merata (brightness), keburaman (blur), dan variasi sudut pengambilan gambar (rotation). Penelitian ini melakukan analisis perbandingan untuk mengevaluasi ketahanan (robustness) dua arsitektur ringan yang sering digunakan, MobileNetV2 dan EfficientNet-Lite0 terhadap tiga jenis gangguan tersebut. Data uji yang digunakan yaitu Mushroom Classification Dataset yang terdiri dari 9 kelas jenis jamur. Model dilatih dengan 50 epoch dan diuji kinerjanya secara berulang menggunakan data uji yang telah diberi gangguan brightness (25% hingga 150%), gaussian blur (sigma 1 hingga 5), dan rotasi tetap (20° hingga 300°). Hasil penelitian dengan akurasi tertinggi mencapai 73% menggunakan EfficientNet-Lite0 dengan data uji yang bersih tanpa augmentasi. EfficientNet-Lite0 secara signifikan lebih unggul dalam hal ketahanan terhadap variasi pencahayaan dan rotasi. Model ini mampu mempertahankan akurasi yang stabil pada kondisi minim cahaya dan pada berbagai orientasi objek, di mana MobileNetV2 mengalami penurunan kinerja yang substansial. Namun kedua arsitektur menunjukkan kerentanan yang tinggi terhadap gaussian blur. Peningkatan intensitas blur menyebabkan degradasi performa yang parah, mengindikasikan ketergantungan tinggi pada fitur tekstural yang tajam. Penelitian ini menyimpulkan bahwa EfficientNet-Lite0 merupakan arsitektur yang lebih robust dan andal untuk aplikasi klasifikasi jamur di kondisi lapangan yang tidak dapat diprediksi.