Perbandingan Akurasi dan Performa MobileNetV2 dan EfficientNetV2 Untuk Klasifikasi Sampah

Authors

  • Naufal Farros S Dharojat Politeknik Harapan Bersama
  • M. Yugo Cahyo Furqonsyah Politeknik Harapan Bersama
  • Filamsi Mabda Ghifary Politeknik Harapan Bersama
  • Deny Faishal Ardiyanto Politeknik Harapan Bersama
  • Muhammad Fikri Hidayattullah Politeknik Harapan Bersama

DOI:

https://doi.org/10.26418/justin.v14i1.89086

Keywords:

EfficientNetV2, MobileNetV2, Klasifikasi sampah, Deep learning, pengolahan citra

Abstract

Penelitian ini mengevaluasi kinerja model MobileNetV2 dan EfficientNetV2 untuk klasifikasi sampah menggunakan dataset gambar. Dataset yang diperoleh dari Kaggle terdiri dari 3.270 gambar yang dibagi menjadi lima kategori: botol kaca, botol plastik, gelas plastik, kaleng, dan kardus. Dataset ini dibagi menjadi set pelatihan (80%) dan pengujian (20%), dengan langkah-langkah pra-pemrosesan seperti pengubahan ukuran, normalisasi, dan augmentasi diterapkan untuk mengoptimalkan kinerja model. MobileNetV2, yang dirancang untuk efisiensi komputasi, mencapai akurasi 98% dengan kesalahan klasifikasi minimal, menunjukkan kinerja yang kuat dalam mengidentifikasi kategori sampah. Sebaliknya, EfficientNetV2 menunjukkan akurasi yang jauh lebih rendah, yaitu 27%, dengan tingkat kesalahan klasifikasi yang tinggi di semua kelas, mengindikasikan pelatihan yang tidak memadai dan potensi masalah optimasi. Metode evaluasi, termasuk akurasi, presisi, recall, dan F1-score, semakin menyoroti keunggulan kinerja MobileNetV2. Temuan ini menunjukkan bahwa MobileNetV2 lebih cocok untuk tugas klasifikasi sampah, terutama di lingkungan dengan keterbatasan sumber daya, sementara EfficientNetV2 memerlukan penyesuaian lebih lanjut untuk meningkatkan efektivitasnya.

References

T. A. Dompeipen and S. R. U. . Sompie, “Penerapan computer vision untuk pendeteksian dan penghitung jumlah manusia,†J. Tek. Inform., vol. 15, no. 4, pp. 1–12, 2020.

A. R. Hermanto, A. Aziz, and S. Sudianto, “Perbandingan Arsitektur MobileNetV2 dan RestNet50 untuk Klasifikasi Jenis Buah Kurma Comparison of MobileNetV2 and RestNet50 Architectures for Date Fruit Classification by Type,†vol. 12, no. 4, pp. 630–637, 2024, doi: 10.26418/justin.v12i4.80358.

F. A. A. Harahap, A. N. Nafisa, E. N. D. B. Purba, and N. A. Putri, “Implementasi Algoritma Convolutional Neural Network Arsitektur Model Mobilenetv2 Dalam Klasifikasi Penyakit Tumor Otak Glioma, Pituitary Dan Meningioma,†J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 5, no. 1, pp. 53–61, 2023, doi: 10.29303/jtika.v5i1.234.

M. Tan and Q. V. Le, “EfficientNetV2: Smaller Models and Faster Training,†Proc. Mach. Learn. Res., vol. 139, pp. 10096–10106, 2021.

R. Salwa, C. # Sausan, and Y. P. Astuti, “Penerapan Algoritma Deep Learning CNN untuk Klasifikasi Pemilahan Sampah,†J. Teknol. Rekayasa), vol. 8, no. 2, pp. 183–190, 2023, doi: 10.31544/jtera.v8.i2.2023.183-190.

C. Tian, L. Fei, W. Zheng, Y. Xu, W. Zuo, and C. W. Lin, “Deep learning on image denoising: An overview,†Neural Networks, vol. 131, pp. 251–275, 2020, doi: 10.1016/j.neunet.2020.07.025.

J. Bobulski and M. Kubanek, “Deep Learning for Plastic Waste Classification System,†Appl. Comput. Intell. Soft Comput., vol. 2021, 2021, doi: 10.1155/2021/6626948.

L. Yong, L. Ma, D. Sun, and L. Du, “Application of MobileNetV2 to waste classification,†PLoS One, vol. 18, no. 3 March, pp. 1–16, 2023, doi: 10.1371/journal.pone.0282336.

G. F. Ananda and H. Setyawan, “Deep Learning-Based Waste Classification with Transfer Learning Using,†vol. 5, no. 158, 2024.

F. Zaelani and Y. Miftahuddin, “Perbandingan Metode EfficientNetB3 dan MobileNetV2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun,†J. Ilm. Teknol. Infomasi Terap., vol. 9, no. 1, pp. 1–11, 2022, doi: 10.33197/jitter.vol9.iss1.2022.911.

H. Brawijaya, E. Rahmawati, and T. Haryanto, “Optimization of Potato Leaf Disease Identification With Transfer Learning Approach Using Mobilenetv1 Architecture,†J. Pilar Nusa Mandiri, vol. 20, no. 1, pp. 33–40, 2024, doi: 10.33480/pilar.v20i1.4718.

Y. Hatur and A. Sabri, “Perbandingan Arsitektur MobileNetV2 dan DenseNet121 untuk Klasifikasi,†J. Ilm. Komputasi, vol. 23, no. 1, pp. 67–74, 2024, doi: 10.32409/jikstik.23.1.3502.

A. Dharmaputra, M. Cahyanti, M. R. D. Septian, and E. R. Swedia, “Aplikasi Face Mask Detection Menggunakan Neural Network Mobilenetv2 Berbasis Android,†Sebatik, vol. 25, no. 2, pp. 382–389, 2021, doi: 10.46984/sebatik.v25i2.1503.

A. Islam and L. C. Das, “BlossomNet : A Deep Learning Framework for Accurate Flower Identification Metadata of the chapter that will be visualized in SpringerLink,†no. November, 2024, doi: 10.1007/978-3-031-69146-1.

D. P. Sidik, F. Utaminingrum, and L. Muflikhah, “Penggunaan Variasi Model pada Arsitektur EfficientNetV2 untuk Prediksi Sel Kanker Serviks,†… Teknol. Inf. dan Ilmu …, vol. 7, no. 5, pp. 2116–2121, 2023, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/12656

Downloads

Additional Files

Published

2026-01-30

Issue

Vol. 14 No. 1 (2026)

Section

Articles

License

Copyright (c) 2026 JUSTIN (Jurnal Sistem dan Teknologi Informasi)

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).  

                             

This is a human-readable summary of (and not a substitute for) the license. Disclaimer.

You are free to:
Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.

Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.