HYBRID MOBILENETV2 DAN EXTREME GRADIENT BOOSTING UNTUK KLASIFIKASI KERUSAKAN BANGUNAN

Abstract

Penelitian ini menggunakan pendekatan hybrid dengan menggabungkan MobileNetV2 sebagai metode ekstraksi fitur dan XGBoost sebagai algoritma klasifikasi. MobileNetV2 digunakan untuk mengekstraksi representasi fitur yang ringan namun kaya informasi dari citra, sementara XGBoost memanfaatkan fitur tersebut untuk membangun model klasifikasi yang akurat dan efisien. Dataset dibagi menggunakan beberapa skema pembagian data, yaitu Kaggle 80:10:10, Kaggle 70:20:10, Kaggle 60:20:20, serta dataset Mandiri dengan skema yang serupa. Model dikembangkan untuk mengklasifikasikan citra ke dalam tiga kategori kelas, yaitu Ringan, Sedang, dan Berat. Proses pelatihan model XGBoost membutuhkan waktu sekitar 60 detik, sedangkan proses evaluasi hanya memerlukan waktu sekitar 0,04 detik, menunjukkan efisiensi komputasi yang sangat baik. Dari seluruh skema yang diujikan, hasil terbaik diperoleh pada skema Kaggle 70:20:10, dengan akurasi mencapai 94,72%, precision 94,80%, recall 94,72%, f1-score 94,71%, dan waktu komputasi sebesar 54,91 detik. Secara umum, model menunjukkan performa yang konsisten baik pada data validasi maupun data uji, dengan nilai precision, recall, dan F1-score yang tinggi di setiap kelas. Penelitian ini menunjukkan bahwa kombinasi MobileNetV2 dan XGBoost efektif dalam menghasilkan model klasifikasi citra dengan performa akurasi tinggi dan kecepatan inferensi yang sangat cepat. Pendekatan ini dapat menjadi solusi yang menjanjikan untuk berbagai aplikasi berbasis klasifikasi citra, khususnya pada skenario yang membutuhkan respons cepat dan sumber daya komputasi yang terbatas.