Perbandingan Arsitektur CNN dalam Klasifikasi Barang Rumah untuk Anak Usia Dini

Abstract

Kesibukan dalam bekerja dapat mengakibatkan kurangnya waktu bagi orang tua yang bekerja sehingga tidak mempunyai waktu untuk mengajarkan hal-hal baru kepada anaknya. Pengajaran ini sangat penting terutama bagi anak usia dibawah 5 tahun yang masih menjalani masa emas perkembangan. Pengajaran anak dapat dilakukan dengan menggunakan teknologi pengenalan gambar. Penerapan teknologi pengenalan gambar memerlukan metode seperti Convolutional Neural Network (CNN). Penerapan metode CNN yang dipadukan dengan android dapat membuat anak dapat belajar mandiri mengenal benda-benda baru di sekitarnya. Tujuan dari penelitian ini adalah merancang dan membangun sebuah aplikasi android yang dapat mengklasifikasikan barang-barang rumah tangga dan membandingkan arsitektur Mobile Network V1 dan Residual Network 18 dalam mengklasifikasikan barang-barang rumah tangga. Berdasarkan hasil pengujian sistem yang telah dilakukan, arsitektur Mobile Network V1 lebih baik dibandingkan arsitektur Residual Network 18 dalam klasifikasi rumah. Residual Network 18 memiliki nilai akurasi sebesar 98,37% dan membutuhkan waktu pembuatan model ± 27 jam, sedangkan Mobile Network V1 memiliki nilai akurasi sebesar 98,87% dan membutuhkan waktu pembuatan model ± 17 jam.

Kata Kunci; Convolutional Neural Network, Mobile Network V1, Residual Network 18, Android