##plugins.themes.academic_pro.article.main##
Implementasi Mobilenetv2 Untuk Aplikasi Edukasi Sejarah Monumen Nasional Berbasis Computer Vision
Abstract
Kemajuan teknologi mobile dan kecerdasan buatan telah membuka peluang baru dalam penyediaan materi pendidikan interaktif pada ranah sejarah dan pariwisata. Penelitian ini mengembangkan aplikasi mobile edukatif untuk Monumen Nasional dengan menerapkan model MobileNetV2 dalam tugas computer vision. Aplikasi memungkinkan pengunjung memindai objek sejarah dari Monas menggunakan kamera smartphone dan memperoleh informasi secara instan. Model MobileNetV2 dipilih karena efisiensi komputasi, ukuran ringan, dan akurasi tinggi yang sesuai untuk perangkat mobile. Penelitian ini melibatkan lima tahap utama berdasarkan metode CRISP-DM: analisis kebutuhan, pengumpulan data, pra-pemrosesan citra, pelatihan model, serta integrasi model ke aplikasi. Hasil pengujian menunjukkan akurasi klasifikasi sebesar 99%, nilai loss 0,02, dan nilai loss saat validasi 0,06, menandakan model mencapai konvergensi stabil dengan indikasi overfitting yang ringan. Temuan ini menunjukkan efektivitas MobileNetV2 dalam aplikasi edukatif berbasis computer vision yang efisien di perangkat mobile, serta berkontribusi pada pelestarian budaya melalui media edukatif interaktif.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
C. Cahyaningtyas, Mira, C. Gudiato, M. Sari, and Noviyanti, Computer Vision Untuk Pemula: Deteksi dan Analisis Ekspresi Wajah Dengan CNN. Jawa Timur: Uwais Inspirasi Indonesia, 2025.
A. Hadhiwibowo, S. R. Asri, and R. A. Dinata, “Penerapan Convolutional Neural Network dengan Arsitektur Mobilenetv2 Pada Aplikasi Penerjemah dan Pembelajaran Bahasa Isyarat,” TIN Terap. Inform. Nusant., vol. 4, no. 8, pp. 518–523, 2024, doi: 10.47065/tin.v4i8.4879.
G. Indra, H. Hamida Saputri, and N. Aulia Aziza, “Penerapan MobileNet untuk Klasifikasi Kondisi Wajah Mengantuk pada Citra Wajah,” J. Informatics Commun. Technol., vol. 7, no. 1, pp. 189–197, 2025.
S. Rahman, M. Ramli, F. Arnia, R. Maharar, M. Zen, and M. Ikhwan, Convolutional Neural Networks Untuk Visi Komputer Jaringan Saraf Konvolusional Untuk Visi Komputer (Arsitektur Baru, Transfer Learning, Fine Tuning, dan Pruning). Surabaya: CV BUDI UTAMA, 2021.
M. A. Mobilenetv, N. W. Kencana, and R. Umar, “Implementasi Transfer Learning Untuk Klasifikasi Jenis Ras Ayam,” pp. 147–154, 2024.
I. D. Zianka, S. D. Alim, M. K. Adiputro, and A. Setiawan, “Perancangan Aplikasi Android untuk Perhitungan Nutrisi Makanan Pencegah Stunting dengan Metode CNN di Jakarta: The Design Android Application Nutrition Calculation to Prevent Stunting with CNN Method in Jakarta,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 99–107, 2024.
A. Dharmaputra, M. Cahyanti, M. R. D. Septian, and E. R. Swedia, “Aplikasi Face Mask Detection Menggunakan Neural Network Mobilenetv2 Berbasis Android,” Sebatik, vol. 25, no. 2, pp. 382–389, 2021, doi: 10.46984/sebatik.v25i2.1503.
S. Alden and B. N. Sari, “Implementation of CNN Algorithm for Android-Based Waste Classification Using CRISP-DM Method,” J. Inform., vol. 10, no. 1, pp. 62–71, 2023.
I. G. I. Sudipa et al., Metode Penelitian Bidang Ilmu Informatika (Teori & Referensi Berbasis Studi Kasus). Jambi: PT. Sonpedia Publishing Indonesia, 2023.
F. S. Anam, M. R. Muttaqin, and Y. R. Ramadhan, “Klasifikasi Penyakit Pada Daun dan Buah Jambu Menggunakan Convolutional Neural Network,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 8, no. 3, p. 115, 2023, doi: 10.31328/jointecs.v8i3.4823.
S. Nurazizah, Asriyanik, and F. F. Az-Zahra, “Implementasi Convolutional Neural Network dengan MobileNetV2 untuk Deteksi Tokoh Wayang Golek Berdasarkan Citra Digital,” Progresif J. Ilm. Komput., vol. 21, no. 2, 2025, [Online]. Available: http://dx.doi.org/10.35889/progresif.v21i2.2782
A. Hidayat, F. Syarif Ash-Shiddiq, and F. Amalya, “Pengembangan Aplikasi Klasifikasi Makanan Dengan Metode Transfer Learning Menggunakan MobilenetV2 dan Integrasi Api Nutrisi Berbasis Web,” Innov. J. Soc. Sci. Res., vol. 4, no. 6, pp. 2397–2419, 2024.
