<![CDATA[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.]]>
Copyrights © 2025
