<![CDATA[Musim memengaruhi berbagai aspek lingkungan dan aktivitas manusia seperti pertanian, pariwisata, serta transportasi. Identifikasi otomatis terhadap musim berdasarkan citra visual menjadi solusi potensial untuk mendukung sistem monitoring berbasis teknologi. Namun, klasifikasi citra ke dalam empat kategori musim, yaitu autumn, spring, summer, dan winter, masih jarang diimplementasikan dalam sistem pengenalan berbasis deep learning. Penelitian ini bertujuan untuk membandingkan dua arsitektur ringan Convolutional Neural Network (CNN), yaitu MobileNetV1 dan EfficientNetB0, untuk menentukan model terbaik dalam klasifikasi citra musim. Keduanya diimplementasikan menggunakan pendekatan transfer learning dan dioptimasi dengan Adam (Adaptive Moment Estimation) Optimizer. Dataset terdiri atas 2000 citra yang dibagi menjadi 75% data train, 15% data validation, dan 10% data testing. Hasil evaluasi menunjukkan bahwa MobileNetV1 memberikan performa terbaik dengan accuracy 95,5%, precision 95,5%, recall 95,5%, dan F1-Score 95,5%, sedangkan EfficientNetB0 hanya mencapai accuracy sebesar 91,5%. Perbandingan ini mengindikasikan bahwa MobileNetV1 lebih unggul dalam efisiensi dan akurasi pada tugas klasifikasi visual musim. Penelitian ini memberikan kontribusi terhadap pengembangan sistem klasifikasi musim berbasis citra yang dapat diimplementasikan dalam aplikasi website atau sistem monitoring lingkungan berbasis citra otomatis.]]>
Copyrights © 2025
