<![CDATA[Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra terumbu karang menggunakan metode Convolutional Neural Network (CNN) dengan perbandingan antara dua arsitektur, yaitu MobileNetV2 dan DenseNet121. Dataset yang digunakan dalam penelitian ini diperoleh dari Kaggle dan terdiri dari dua kelas, yaitu bleached (karang mengalami pemutihan) dan unbleached (karang sehat). Penelitian ini melibatkan beberapa tahapan utama, yaitu pengumpulan dataset, preprocessing data, pembagian data (training dan validasi), pelatihan model, pengujian model, serta evaluasi performa dan efisiensi model. Evaluasi dilakukan dengan mempertimbangkan akurasi, precision, recall, F1-score, confusion matrix, serta efisiensi dalam waktu pelatihan dan penggunaan memori. Hasil penelitian menunjukkan bahwa MobileNetV2 memiliki akurasi pengujian sebesar 93%, dengan precision dan recall yang tinggi untuk kedua kelas. Model ini mampu mengklasifikasikan terumbu karang dengan baik dan menunjukkan efisiensi dalam hal komputasi. DenseNet121 juga memberikan hasil yang kompetitif, namun memerlukan sumber daya komputasi yang lebih besar dibandingkan MobileNetV2. Simpulan, bahwa MobileNetV2 lebih optimal untuk diterapkan pada perangkat dengan keterbatasan daya komputasi, sementara DenseNet121 dapat digunakan untuk skenario yang membutuhkan akurasi lebih tinggi dan memiliki sumber daya yang memadai. Kata Kunci: Pemutihan Terumbu Karang, CNN, MobileNetV2, DenseNet121, Klasifikasi Citra]]>
