MODEL DEEP LEARNING RINGAN UNTUK KLASIFIKASI BAKTERI MENGGUNAKAN MNASNET

Abstract

Identifikasi bakteri yang cepat dan akurat merupakan tantangan penting dalam bidang mikrobiologi dan industri pangan. Penelitian ini mengevaluasi arsitektur Mobile Neural Architecture Search Network (MNASNet) untuk tugas klasifikasi citra bakteri. Hasil eksperimen menunjukkan bahwa MNASNet mampu mencapai akurasi validasi sebesar 97,25%, F1-score 97,22%, serta validation loss terendah 0,2176, melampaui model ringan lain yang diuji. Evaluasi lebih lanjut pada dataset uji independen memperkuat kemampuan generalisasi model dengan akurasi 95,75%, presisi 96,52%, sensitivitas 95,68%, dan F1-score 95,62%. Dari sisi efisiensi, MNASNet hanya memerlukan 423,37 MFLOPs, dengan jumlah parameter sekitar 3,14 juta, serta latensi inferensi 1,11 ms per citra, menjadikannya arsitektur yang ringan namun sangat andal. Hasil ini menegaskan bahwa MNASNet tidak hanya unggul secara prediktif tetapi juga efisien secara komputasi, sehingga berpotensi besar untuk diimplementasikan pada sistem diagnostik cepat berbasis citra dalam lingkungan nyata dengan keterbatasan sumber daya.