Implementasi Model MobileNet-V2 Untuk Klasifikasi Jenis Kendaraan Bermotor

Mochammad Romli Arief, Teguh Herlambang, Kresna Oktafianto, Tri Deviasari Wulan, Muhammad Zulfi Akmal, Yuliana Yuliana

Abstract

Permasalahan mobilitas perkotaan dan pedesaan yang sangat bergantung pada kendaraan bermotor mendorong perlunya sistem identifikasi dan klasifikasi yang cerdas untuk mendukung manajemen transportasi dan keselamatan. Penelitian ini memanfaatkan kemajuan Deep Learning (DL) untuk mengatasi tantangan tersebut, dengan berfokus pada implementasi arsitektur MobileNet-V2 untuk tugas klasifikasi kendaraan. Dipilihnya arsitektur ini dilatarbelakangi oleh desainnya yang ringan dan efisien secara komputasi, menjadikannya ideal untuk aplikasi di lingkungan sumber daya terbatas. Bertolak dari fakta tersebut, penelitian ini secara khusus menyelidiki kinerja MobileNet-V2 dalam konteks klasifikasi kendaraan bermotor menggunakan dataset berskala terbatas. Hasil eksperimen menunjukkan bahwa model yang diusulkan mampu mencapai akurasi klasifikasi melebihi 90%, sekaligus membuktikan ketangguhannya dalam mengatasi kendala volume data kecil. Temuan ini tidak hanya mengonfirmasi keunggulan praktis MobileNet-V2, tetapi juga memberikan kontribusi signifikan berupa wawasan baru dalam pengembangan sistem klasifikasi kendaraan yang akurat dan efisien dengan kebutuhan data yang minimal.

Keywords

Deep learning; klasifikasi objek; mobilenet-v2;

Full Text:

PDF

References

A. Hamida and B. Kurniawan, “IMPLEMENTASI PROGRAM WIRA WIRI SUROBOYO DI DINAS PERHUBUNGAN KOTA SURABAYA,” Publika, pp. 2663–2674, Aug. 2023, doi: 10.26740/publika.v11n4.p2663-2674.

M. Kibthiah, R. N. Chamida, and K. Khotimah, “SUROBOYO BUS SEBAGAI SISTEM TRANSPORTASI BERKELANJUTAN DI KOTA SURABAYA,” Jurnal Transportasi, vol. 23, no. 1, pp. 11–18, May 2023, doi: 10.26593/jtrans.v23i1.6643.11-18.

H. Peng, H. Xu, G. Shen, H. Liu, X. Guan, and M. Li, “A lightweight crop pest classification method based on improved MobileNet-V2 model,” Agronomy, vol. 14, no. 6, p. 1334, Jun. 2024, doi: 10.3390/agronomy14061334.

A. Saber, T. Emara, S. Elbedwehy, and E. Hassan, “A novel approach for breast cancer detection using a Nesterov accelerated adam optimizer with an attention mechanism,” Scientific Reports, vol. 15, no. 1, p. 27065, Jul. 2025, doi: 10.1038/s41598-025-12070-y.

N. Rumui, A. Mualo, J. Rahayaan, L. Batjo, and M. Mokansi, “Analisis Komparasi Model Deep Learning CNN dengan VGG16 dalam Klasifikasi Jenis Bunga,” Informatik Jurnal Ilmu Komputer, vol. 21, no. 1, pp. 35–44, Apr. 2025, doi: 10.52958/iftk.v21i1.11105.

“Klasifikasi Penyakit Daun Tomat Menggunakan Algoritma CNN Mobilenet V2”, inotek, vol. 9, no. 1, pp. 102–108, Jul. 2025, doi: 10.29407/s37pzf98.

M. Rijal, A. M. Yani, and A. Rahman, “Deteksi Citra Daun untuk Klasifikasi Penyakit Padi menggunakan Pendekatan Deep Learning dengan Model CNN,” Jurnal Teknologi Terpadu, vol. 10, no. 1, pp. 56–62, Jul. 2024, doi: 10.54914/jtt.v10i1.1224.

J. S. Sibarani, S. T. Damanik, R. Nurkhalizah, S. Mulyana, and B. Nasution, “Klasifikasi Tanaman Hias Menggunakan Algoritma Convolutional Neural Network”, J. Inf. Technol. Ampera, vol. 4, no. 3, pp. 286–297, Dec. 2023.

B. Falakhi, E. F. Achmal, M. Rizaldi, R. R. R. Athallah, and N. Yudistira, “Perbandingan Model AlexNet dan ResNet dalam Klasifikasi Citra Bunga Memanfaatkan Transfer Learning,” Jurnal Ilmu Komputer Dan Agri-Informatika, vol. 9, no. 1, pp. 70–78, May 2022, doi: 10.29244/jika.9.1.70-78.

L. Trihardianingsih and H. Permatasari, “PENGARUH OPTIMIZER TERHADAP AKURASI KLASIFIKASI PISTACHIO MENGGUNAKAN MOBILENETV2,” Jurnal Informatika Teknologi Dan Sains (Jinteks), vol. 7, no. 2, pp. 644–649, May 2025, doi: 10.51401/jinteks.v7i2.5571.

“Pemodelan Klasifikasi Penyakit Daun Tembakau Dengan Arsitektur MobileNetV2”, inotek, vol. 9, no. 1, pp. 075–083, Jul. 2025, doi: 10.29407/0e53ye06.

DOI: https://doi.org/10.31284/j.jreec.2025.v5i2.8606