Perbandingan Kinerja Model ResNet-50 dan MobileNetV2 untuk Klasifikasi Citra Menggunakan Metode CNN

Arsitektur Convolutional Neural Network (CNN) seperti ResNet-50 dan MobileNetV2 banyak digunakan untuk klasifikasi citra medis secara otomatis. Namun, perbandingan kinerjanya pada klasifikasi citra ultrasonografi (USG) payudara, khususnya terkait kompromi antara akurasi klasifikasi dan efisiensi komputasi, masih belum banyak dikaji. Penelitian ini melakukan analisis komparatif antara ResNet-50 dan MobileNetV2 untuk klasifikasi tiga kelas (normal, jinak, dan ganas) menggunakan Breast Ultrasound Images Dataset (BUSI) yang terdiri atas 780 citra. Kedua model dilatih menggunakan skema transfer learning yang sama, yaitu tahap feature extraction yang dilanjutkan dengan fine-tuning, serta menerapkan konfigurasi hiperparameter dan lingkungan komputasi yang identik untuk memastikan perbandingan yang adil. Evaluasi dilakukan berdasarkan metrik klasifikasi yang meliputi akurasi, presisi, recall, dan F1-score, serta metrik efisiensi komputasi yang mencakup jumlah parameter, ukuran model, waktu inferensi, dan throughput. Hasil penelitian menunjukkan bahwa ResNet-50 secara konsisten memberikan performa klasifikasi yang lebih baik dibandingkan MobileNetV2 pada seluruh metrik evaluasi, dengan selisih akurasi sebesar 10,26 poin persentase, yang didukung oleh kemampuan pembelajaran residual yang lebih mendalam. Sebaliknya, MobileNetV2 menunjukkan efisiensi komputasi yang jauh lebih tinggi dengan hanya memerlukan sekitar 10% jumlah parameter ResNet-50, ukuran model sekitar sembilan kali lebih kecil, serta waktu inferensi sekitar ~31% lebih cepat dan throughput yang lebih tinggi. Temuan ini mengonfirmasi adanya kompromi yang jelas antara akurasi dan efisiensi komputasi. Oleh karena itu, ResNet-50 lebih sesuai untuk sistem pendukung keputusan klinis berbasis server yang mengutamakan akurasi diagnosis, sedangkan MobileNetV2 lebih tepat diterapkan pada perangkat bergerak atau edge device di lingkungan layanan kesehatan dengan keterbatasan sumber daya, dengan catatan bahwa performa recall pada kelas ganas masih perlu ditingkatkan. recall on the malignant class is further mitigated.