ANALISIS KOMPARATIF KINERJA RESNET-50, EFFICIENTNET-B0, DAN MOBILENETV3-LARGE DALAM KLASIFIKASI KERUSAKAN DINDING BANGUNAN BERBASIS CITRA DIGITAL

Abstract

Indonesia merupakan wilayah rawan gempa, seperti kejadian gempa magnitudo 7,6 di perairan Sulawesi Utara dan Maluku Utara pada April 2026 yang mengakibatkan kerusakan masif pada struktur dinding bangunan. Inspeksi bangunan pasca-bencana secara manual membutuhkan waktu lama, bersifat subjektif, dan berisiko tinggi. Meskipun teknologi deep learning dapat mengotomatisasi proses ini, setiap arsitektur jaringan memiliki kompromi (trade-off) yang berbeda antara akurasi, ukuran model, dan kecepatan inferensi. Penelitian ini bertujuan melakukan analisis komparasi kinerja tiga arsitektur deep learning, yaitu ResNet-50, EfficientNet-B0, dan MobileNetV3-Large, dalam mengklasifikasikan enam kategori kerusakan dinding bangunan berbasis citra digital menggunakan pendekatan transfer learning. Dataset yang digunakan berjumlah 30.000 citra yang mengombinasikan data lapangan wilayah Manado dan dataset publik. Hasil pengujian pada test set independen (3.000 citra) menunjukkan bahwa ResNet-50 menghasilkan akurasi tertinggi sebesar 99,40%, disusul oleh MobileNetV3-Large sebesar 99,37%, sementara EfficientNet-B0 menghasilkan performa terendah sebesar 95,77%. Meskipun ResNet-50 memuncaki metrik akurasi, model tersebut berukuran file 207,18 MB dengan kecepatan inferensi 336,14 ms/citra. Sebaliknya, MobileNetV3-Large hanya berukuran 27,34 MB dengan kecepatan inferensi real-time sebesar 49,29 ms/citra. Berdasarkan keseimbangan antara akurasi tinggi dan efisiensi komputasi, MobileNetV3-Large direkomendasikan sebagai arsitektur terbaik untuk diimplementasikan pada perangkat mobile guna mendukung sistem inspeksi kerusakan bangunan otomatis pasca-bencana secara cepat di lapangan