Analisis Perbandingan Arsitektur Model dengan Pendekatan Transfer Learning pada Convolutional Neural Network Untuk Klasifikasi Motif Kain Ulos Tradisional

Penelitian Ini Bertujuan Untuk Mengidentifikasi Keefektifan Dan Membandingkan Kinerja Lima Model Arsitektur Transfer Learning (VGG16, VGG19, Mobilenetv3, Inception-V3, Dan Efficientnetv2) Dalam Klasifikasi Motif Kain Ulos Tradisional. Dengan Total 962 Citra Ulos Yang Dibagi Dalam Enam Kategori Motif, Penelitian Ini Menggunakan Berbagai Metrik Evaluasi Seperti Akurasi, Presisi, Recall, Dan F1-Score Untuk Menentukan Model Yang Paling Optimal. Hasil Penelitian Menunjukkan Bahwa Model Inception-V3 Memiliki Kinerja Terbaik, Dengan Akurasi Validasi Rata-Rata Mencapai 98,13% Dan Loss Rata-Rata Terendah Sebesar 5,67%. Inception-V3 Juga Menunjukkan Waktu Pelatihan Yang Efisien, Dengan Rata-Rata Waktu Per Epoch Sekitar 13-14 Detik Dan Total Waktu Pelatihan Kurang Dari 12 Menit. Dalam Evaluasi K-Fold Cross Validation, Inception-V3 Mencatatkan Akurasi Rata-Rata Tertinggi Dan Loss Terendah, Menandakan Kemampuannya Yang Baik Dalam Generalisasi Data. Sebaliknya, VGG16 Dan VGG19 Menunjukkan Performa Yang Baik Pada Learning Rate (1 × 10−3)Tetapi Mengalami Penurunan Akurasi Pada Learning Rate Dan (1 × 10−4) Dan Menunjukkan Kecenderungan Overfitting Pada Learning Rate Yang Lebih Tinggi. Mobilenetv3large Dan Efficientnetv2b1 Memiliki Performa Yang Kurang Memuaskan Meskipun Lebih Efisien Dalam Penggunaan Memori. Hasil Uji ANOVA Dua Arah Mengungkapkan Perbedaan Kinerja Yang Signifikan Antara Model-Model Yang Diuji Dan Menunjukkan Interaksi Penting Antara Jenis Model Dan Metode Pelatihan, Menekankan Perlunya Penyesuaian Konfigurasi Pelatihan Untuk Mencapai Performa Optimal.