<![CDATA[AbstrakPenelitian ini bertujuan mengklasifikasikan gaya desain poster menggunakan arsitektur EfficientNetB0. Pendekatan ini dilakukan untuk mengatasi subjektivitas dalam identifikasi manual gaya visual melalui pemanfaatan teknologi deep learning. Metode penelitian yang diterapkan berbasis transfer learning, yang mencakup tahap pelatihan awal dan dilanjutkan dengan proses fine-tuning untuk mengoptimalkan pengenalan fitur visual. Data penelitian yang diambil kemudian diolah menggunakan Google Colaboratory. Hasil eksperimen menunjukkan bahwa penerapan fine-tuning berhasil meningkatkan performa model secara signifikan hingga mencapai tingkat akurasi sebesar 84%. Berdasarkan hasil confusion matrix, model terbukti mampu membedakan karakteristik antar gaya desain secara stabil dan konsisten. Simpulan dari penelitian ini adalah penggunaan model EfficientNetB0 dengan strategi fine-tuning sangat efektif dalam melakukan klasifikasi citra poster dengan akurasi yang tinggi. Hasil ini diharapkan dapat mempermudah pengarsipan dan manajemen aset visual digital secara otomatis.Kata Kunci: EfficientNetB0, Gaya Desain Poster, Transfer Learning, Fine-Tuning, Klasifikasi Citra.AbstractThis research aims to classify poster design styles using the EfficientNetB0 architecture. This approach is undertaken to mitigate subjectivity in the manual identification of visual styles by leveraging deep learning technology. The research methodology is based on transfer learning, encompassing an initial training phase followed by a fine-tuning process to optimize visual feature recognition. The collected research data were processed using Google Colaboratory. Experimental results demonstrate that the application of fine-tuning significantly improved model performance, achieving an accuracy rate of 84%. Based on the confusion matrix analysis, the model proved capable of distinguishing characteristics between design styles with stability and consistency. This study concludes that the EfficientNetB0 model, combined with a fine-tuning strategy, is highly effective for poster image classification with high accuracy. These findings are expected to facilitate automated archiving and digital visual asset management.Keywords: EfficientNetB0, Poster Design Style, Transfer Learning, Fine-Tuning, Image Classification.]]>
