<![CDATA[Penelitian ini membandingkan kinerja metode Convolutional Neural Network (CNN) dan VGG-16 dalam klasifikasi rambu lalu lintas menggunakan dataset gambar yang telah diproses sebelumnya. CNN yang digunakan melibatkan beberapa lapisan konvolusi, pooling, dropout, dense, serta penerapan data augmentasi untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa CNN sederhana mampu menghasilkan akurasi yang lebih baik dalam klasifikasi rambu lalu lintas dibandingkan dengan VGG-16. Model CNN terdiri dari lapisan-lapisan yang lebih sederhana namun efektif dalam mengekstraksi fitur dan mengurangi dimensi data, sehingga mengurangi kompleksitas komputasi dan mencegah overfitting. VGG-16, yang merupakan salah satu arsitektur CNN yang lebih kompleks dan mendalam, memerlukan sumber daya komputasi yang lebih besar serta waktu pelatihan yang lebih lama. Meskipun VGG-16 dilatih dengan fine-tuning pada beberapa lapisan terakhir untuk menyesuaikan model dengan dataset rambu lalu lintas, hasil eksperimen menunjukkan bahwa VGG-16 masih memerlukan lebih banyak waktu dan sumber daya dibandingkan dengan CNN sederhana. Hasil penelitian ini menyimpulkan bahwa CNN sederhana tidak hanya efisien dan efektif untuk aplikasi dengan keterbatasan sumber daya tetapi juga mampu memberikan akurasi yang lebih tinggi dibandingkan VGG-16. Keunggulan CNN sederhana terletak pada efisiensi komputasi dan kemampuannya untuk dioptimalkan lebih lanjut, termasuk penerapan teknik transfer learning untuk meningkatkan performa model tanpa perlu pelatihan ulang dari awal. Dengan demikian, CNN sederhana menjadi pilihan yang lebih ideal untuk aplikasi klasifikasi rambu lalu lintas, terutama dalam konteks yang memerlukan efisiensi waktu dan sumber komputasi. Penelitian ini membuka peluang untuk eksplorasi lebih lanjut dalam penggunaan teknik optimisasi dan transfer learning guna meningkatkan kinerja model dalam berbagai aplikasi klasifikasi gambar. Kata Kunci: rambu lalu lintas, VGG16, convolutional neural network (CNN)]]>
