Klasifikasi Golongan Kendaraan Menggunakan EfficientNetV2-S Dan EfficientNetV2-L

Abstract

Peningkatan volume kendaraan berat di Indonesia menuntut adanya sistem klasifikasi otomatis di jalan arteri. Penggolongan kendaraan berat yang sangat bergantung pada letak dan jumlah susunan as roda memunculkan tantangan fine-grained visual classification, sehingga membutuhkan pengambilan citra dari sudut menyamping. Arsitektur Convolutional Neural Network (CNN) terbukti andal dalam pengenalan citra, namun model berskala besar umumnya sangat membebani beban komputasi. Penelitian ini bertujuan menganalisis komparasi performa arsitektur yang efisien, yakni keluarga EfficientNetV2, untuk menemukan keseimbangan optimal antara akurasi dan parameter komputasi. Pengujian membandingkan performa varian ringan EfficientNetV2-S yang dilatih secara end-to-end dengan varian berskala masif EfficientNetV2-L yang dievaluasi menggunakan skema end-to-end dan fine-tuning. Eksperimen menggunakan 2.500 dataset citra berimbang yang dioptimasi dengan augmentasi dan diolah menggunakan optimizer AdaBelief. Hasil pengujian menunjukkan bahwa EfficientNetV2-S mencatatkan performa superior dengan akurasi 89% dan F1-Score 88,67%. Sebaliknya, peningkatan kapasitas parameter pada EfficientNetV2-L justru memicu overfitting akibat keterbatasan variasi data lokal, sehingga menghasilkan akurasi yang lebih rendah, yakni 76% (end-to-end) dan 71% (fine-tuning). Kesimpulannya, arsitektur berparameter kecil terbukti lebih tangguh, efisien, dan jauh lebih direkomendasikan untuk implementasi fine-grained classification pada sistem jalan tol dibandingkan mengandalkan model masif maupun skema transfer learning.