Analisis Perbandingan Arsitektur Mobile Net dan Resnet untuk Klasifikasi Cacar

Abstract

Cacar adalah penyakit menular serius yang berhasil diberantas melalui program vaksinasi global. Namun, penyakit Cacar Monyet (Monkeypox) yang disebabkan oleh Orthopoxvirus kembali menjadi perhatian karena penyebarannya di luar Afrika. Gejala klinis Cacar Monyet mirip dengan Cacar biasa, dan penularannya dapat terjadi melalui kontak langsung dengan hewan atau manusia yang terinfeksi. Dalam penelitian ini, kami bertujuan untuk mengembangkan model klasifikasi gambar Cacar menggunakan metode Convolutional Neural Network (CNN). Dua arsitektur CNN yang digunakan adalah MobileNet dan ResNet. MobileNet dipilih karena efisiensinya untuk perangkat dengan keterbatasan daya komputasi, sementara ResNet dipilih untuk tugas yang memerlukan pengenalan pola yang kompleks. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja serta karakteristik kedua arsitektur dalam mengklasifikasikan gambar Cacar. Hasil penelitian diharapkan dapat memberikan informasi mengenai arsitektur terbaik untuk klasifikasi Cacar dengan mempertimbangkan akurasi dan waktu eksekusi. Smallpox is a serious infectious disease that was successfully eradicated through a global vaccination program. However, Monkey Pox (Monkeypox) disease caused by Orthopoxvirus is again becoming a concern because of its spread outside Africa. The clinical symptoms of Monkey Pox are similar to those of common Smallpox, and transmission can occur through direct contact with infected animals or humans. In this research, we aim to develop a smallpox image classification model using the Convolutional Neural Network (CNN) method. The two CNN architectures used are MobileNet and ResNet. MobileNet was chosen for its efficiency for devices with limited computing power, while ResNet was chosen for tasks requiring complex pattern recognition. This research aims to analyze and compare the performance and characteristics of the two architectures in classifying Smallpox images. The research results are expected to provide information regarding the best architecture for Smallpox classification by considering accuracy and execution time.