KOMPARASI ARSITEKTUR CNN LIGHTWEIGHT MOBILENETV2, SHUFFLENETV2, DAN EFFICIENTNETB0 UNTUK KLASIFIKASI KONDISI BAN

Abstract

Kecelakaan lalu lintas akibat kondisi ban yang tidak layak masih menjadi ancaman keselamatan yang serius, sementara inspeksi manual dinilai kurang akurat karena bersifat subjektif. Penelitian sebelumnya yang menggunakan Xception tercatat memiliki waktu inferensi 9,19 milidetik per citra saat diuji pada GPU kelas workstation (RTX 3060 Ti), performa yang belum terbukti dapat dicapai pada perangkat mobile dengan sumber daya yang jauh lebih terbatas. Penelitian ini membandingkan tiga arsitektur CNN lightweight yaitu MobileNetV2, ShuffleNetV2, dan EfficientNetB0 untuk klasifikasi kondisi ban menjadi kelas defective dan good, guna mencari arsitektur yang paling sesuai untuk aplikasi inspeksi ban berbasis ponsel. Dataset yang digunakan merupakan gabungan dataset publik Kaggle dan foto lapangan dengan total 3.664 citra yang mencakup kondisi pencahayaan siang dan malam. Semua model dilatih menggunakan strategi Two-Stage Training dengan optimizer AdamW, Cosine Annealing, praproses CLAHE, dan augmentasi data. Hasil pengujian pada 368 citra menunjukkan MobileNetV2 sebagai model terbaik dengan akurasi 97,83%, F1-Score 0,9782, dan hanya melewatkan 2 ban rusak (FN=2) dengan ukuran model 8,73 MB. EfficientNetB0 mencatat peringatan tidak perlu paling sedikit (FP=4), sedangkan ShuffleNetV2 paling cepat dalam inferensi (0,727 ms/gambar) namun dengan risiko keselamatan lebih tinggi. Validasi Grad-CAM mengonfirmasi MobileNetV2 dan EfficientNetB0 mengambil keputusan berdasarkan fitur fisik ban yang sesungguhnya