Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
67 - 74
p-ISSN: 2302-0261, e-ISSN: 2303-3363 Klasifikasi Brand Sepatu Nike Berbasis Citra Dengan Algoritma Convolution Neural Network (Cn.
Sulthan Saalim Rabbani Atmadja1*.
Aris Haris Rismayana2 Program Studi Teknik Informatika.
Politeknik TEDC Bandung Email: 1altanslim@gmail.
com, 2rismayana@poltektedc.
INFORMASI ARTIKEL
Histori artikel:
Naskah masuk, 15 Juli 2025
Direvisi, 19 Juli 2025
Diiterima, 28 Juli 2025
ABSTRAK
Abstract- The widespread circulation of counterfeit .
Nike shoes has made it increasingly difficult to distinguish between genuine and fake products due to their high visual similarity.
This study aims to develop a Nike shoe classification system based on digital image processing using a quantitative approach and experimental methods.
The model employed is a Convolutional Neural Network (CNN) based on the MobileNetV2 architecture, utilizing transfer learning.
The dataset consists of 200 images of Nike shoes categorized into two classes .
riginal and fak.
, which have undergone manual labeling and image augmentation.
The model was trained using TensorFlow and Keras, and evaluated based on accuracy, precision, recall, and the confusion matrix.
The evaluation results show that MobileNetV2 achieved 96% accuracy on the test data, with a recall of 0.
for the fake class and 0.
99 for the original class.
Compared to VGG16 as a benchmark model.
MobileNetV2 proved to be lighter, faster, and more balanced in classification performance.
This study demonstrates that the deep learning approach using MobileNetV2 is effective for detecting counterfeit shoes and has the potential to be implemented in mobile applications as an automatic product authentication solution.
However, the model still faces challenges in classification accuracy under varying lighting conditions and image angles, as well as limitations in dataset size.
Kata kunci :
Convolutional Neural Network Klasifikasi Sepatu Nike Original dan KW Deep Learning Pre-Processing Abstrak- Peredaran sepatu Nike tiruan (KW) yang semakin luas menimbulkan kesulitan dalam membedakan produk asli dan palsu karena kemiripan visual yang Penelitian ini bertujuan membangun sistem klasifikasi sepatu Nike berbasis citra digital menggunakan pendekatan kuantitatif dengan metode eksperimen.
Model yang digunakan adalah Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV2, dengan pendekatan transfer learning.
Dataset terdiri atas 200 gambar sepatu Nike yang dibagi menjadi dua kelas .
riginal dan KW), dan telah melalui proses augmentasi serta pelabelan manual.
Model dilatih menggunakan TensorFlow dan Keras, kemudian dievaluasi berdasarkan akurasi, precision, recall, dan confusion matrix.
Hasil evaluasi menunjukkan bahwa MobileNetV2 mencapai akurasi 96% pada data uji, dengan recall 0.
94 untuk kelas KW dan 0.
99 untuk kelas original.
Dibandingkan dengan VGG16 sebagai model pembanding.
MobileNetV2 terbukti lebih ringan, cepat, dan seimbang dalam performa klasifikasi.
Penelitian ini menunjukkan bahwa pendekatan deep learning dengan MobileNetV2 efektif untuk mendeteksi sepatu palsu, serta berpotensi diterapkan dalam aplikasi mobile sebagai solusi autentikasi produk secara otomatis.
Namun, penelitian ini masih menghadapi tantangan dalam akurasi klasifikasi pada kondisi pencahayaan dan sudut pengambilan gambar yang bervariasi, serta keterbatasan jumlah data yang digunakan.
Copyright A 2025 LPPM - STMIK IKMI Cirebon This is an open access article under the CC-BY license Penulis Korespondensi:
Sulthan Saalim Rabbani Atmadja Program Studi Teknik Informatika.
Politeknik TEDC Bandung Jl.
Jl.
Politeknik Pesantren KM2 Cibabat Cimahi Utara - Cimahi - Jawa Barat - Indonesia Email: altanslim@gmail.
https://ejournal.
id/index.
php/jict-ikmi Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
67 - 74
p-ISSN: 2302-0261, e-ISSN: 2303-3363 Pendahuluan Industri sepatu telah berkembang pesat dalam dua dekade terakhir, baik dari segi teknologi produksi, desain, maupun strategi pemasaran digital.
Sepatu kini tidak hanya berfungsi sebagai pelindung kaki, tetapi juga menjadi simbol gaya hidup dan status sosial.
Nike merupakan salah satu merek terdepan yang dikenal karena kemampuannya menggabungkan inovasi teknologi dengan desain ikonik, serta memperkuat identitas melalui logo AuswooshAy dan slogan AuJust Do ItAy.
Namun, tingginya popularitas Nike juga memicu peredaran sepatu tiruan (KW) yang secara visual sangat mirip dengan produk asli.
Hal ini menimbulkan kerugian bagi produsen dan distributor resmi, serta membingungkan konsumen.
Sepatu KW sering kali sulit dibedakan hanya melalui pengamatan visual biasa, sehingga dibutuhkan pendekatan berbasis teknologi untuk mengidentifikasi keaslian produk secara lebih Dalam studi yang dilakukan oleh Panchal dan Vora .
, disebutkan bahwa peredaran sepatu Nike palsu kini sangat marak, dan teknik deteksi berbasis visual konvensional tidak lagi efektif.
Mereka mengembangkan sistem klasifikasi dengan model YOLOv8 yang mampu mendeteksi perbedaan antara sepatu asli dan palsu dengan tingkat mAP mencapai 95%, disertai presisi dan recall di atas 90% .
Demikian pula.
Garcia-Cotte et al.
menunjukkan bahwa model deep learning berbasis citra, tanpa perlu perangkat keras tambahan atau tag fisik, dapat mencapai akurasi hingga 99,71% hanya melalui pengambilan gambar dengan smartphone dalam kondisi alami .
Namun, di Indonesia, pendekatan teknologi semacam ini masih sangat minim, khususnya dalam konteks klasifikasi keaslian sepatu merek tertentu seperti Nike.
Studi yang dilakukan oleh Renaldi dan Lubis .
mencoba mengklasifikasikan model sepatu Nike berdasarkan gambar menggunakan arsitektur MobileNetV2, namun akurasi yang dicapai hanya 66,67% .
Hal ini menandakan bahwa masih terdapat celah yang cukup besar untuk penelitian lanjutan dalam mengembangkan sistem klasifikasi keaslian sepatu berbasis citra yang lebih akurat dan Kemajuan kecerdasan buatan, khususnya dalam pengolahan citra dan deep learning, membuka peluang untuk mengembangkan sistem https://ejournal.
id/index.
php/jict-ikmi deteksi otomatis produk KW.
Convolutional Neural Network (CNN) dikenal efektif dalam mengenali pola visual kompleks seperti tekstur, bentuk, dan warna, serta banyak digunakan dalam berbagai aplikasi, mulai dari pengenalan wajah hingga klasifikasi objek.
Namun, penerapan CNN untuk klasifikasi keaslian sepatu, khususnya merek Nike, masih jarang dilakukan di Indonesia.
Penelitian ini bertujuan mengembangkan model CNN untuk membedakan sepatu Nike original dan tiruan secara Fokus penelitian mencakup pemilihan arsitektur CNN yang optimal, teknik augmentasi citra, dan evaluasi menggunakan metrik akurasi, presisi, dan recall.
Diharapkan, hasilnya dapat menjadi solusi praktis untuk membantu konsumen membuat keputusan pembelian yang lebih tepat di tengah maraknya produk tiruan.
Kebaruan .
dari penelitian ini terletak pada penerapan arsitektur MobileNetV2 secara langsung dalam klasifikasi keaslian sepatu Nike berbasis citra tanpa preprocessing eksplisit, serta integrasi model ke dalam aplikasi mobile dengan pengujian konteks dunia nyata Penelitian Terkait Brand Sepatu Nike Nike merupakan brand global yang mendominasi industri alas kaki lewat inovasi, strategi pemasaran agresif, dan citra merek yang Elemen visual seperti logo AuswooshAy dan warna khas menjadikannya mudah dikenali.
Namun, popularitasnya juga memicu maraknya produk tiruan yang meniru desain dan identitas visualnya.
Menurut Garcia-Cotte et al.
, pemalsuan produk berbasis visual kini semakin canggih dan sulit dikenali oleh konsumen awam karena desain dan teksturnya mendekati produk asli .
Kondisi ini menyebabkan banyak konsumen tidak sadar telah membeli barang palsu karena tidak mampu membedakan secara kasat mata.
Indonesia, platform edukatif seperti SiBersih.
menjelaskan bahwa banyak sepatu KW dibuat dengan detail sangat mirip, mulai dari jahitan, bentuk sol, hingga kode produksi, yang secara teori bisa dibedakan dengan pelatihan visual berbasis teknologi .
Oleh karena itu, diperlukan pendekatan otomatis berbasis citra untuk mengidentifikasi ciri khas produk asli secara lebih objektif dan cepat.
Pengolahan Citra Pengolahan citra digital merupakan bidang ilmu komputer yang menangani analisis gambar Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
untuk memperoleh informasi penting.
Dalam klasifikasi sepatu Nike, teknik ini digunakan untuk mengekstrak fitur visual seperti outsole, tekstur, logo, dan warna.
Proses awal seperti resize, konversi ke grayscale, normalisasi piksel, serta augmentasi data .
lipping, rotasi, zoomin.
menjadi tahap krusial sebelum gambar digunakan dalam pelatihan model.
Studi oleh Hermana.
Husada, dan Kurniawan .
menunjukkan bahwa teknik balancing data menggunakan SMOTE berhasil meningkatkan performa model CNN untuk klasifikasi sepatu Converse palsu .
Di sisi lain.
Renaldi dan Lubis .
juga memanfaatkan teknik preprocessing sederhana pada dataset sepatu Nike, namun keterbatasan dalam variasi data menjadi hambatan utama dalam mencapai akurasi optimal .
Karena itu, strategi preprocessing yang tepat penting agar data citra yang masuk ke CNN dapat merepresentasikan perbedaan visual antara sepatu ORI dan KW secara akurat.
Deep learning Deep learning merupakan salah satu cabang dari machine learning yang secara khusus memanfaatkan jaringan saraf tiruan .
rtificial neural .
eep architectur.
untuk mempelajari representasi data secara otomatis.
Tidak seperti metode machine learning tradisional yang mengandalkan ekstraksi fitur manual, deep learning dapat secara otomatis mempelajari fitur penting langsung dari data mentah seperti gambar, teks, atau suara .
Struktur deep learning terdiri dari banyak lapisan tersembunyi yang secara bertahap mengubah data menjadi representasi yang lebih abstrak.
Lapisan awal menangkap fitur dasar seperti tepi dan warna, sedangkan lapisan dalam mengenali pola kompleks seperti bentuk dan objek .
Deep learning digunakan luas karena mampu mengenali pola non-linear dan mengolah data berdimensi tinggi secara efektif.
Convolutional Neutral Network (CNN) Convolutional Neural Network (CNN) adalah CNN adalah arsitektur deep learning yang dirancang khusus untuk memproses data dua dimensi seperti Dengan lapisan convolutional, pooling, dan fully connected.
CNN mengekstraksi fitur spasial secara bertahap.
Popularitasnya meningkat sejak keberhasilan AlexNet (Krizhevsky et al.
, 2.
yang secara signifikan meningkatkan akurasi dalam kompetisi ImageNet .
Di Indonesia, berbagai studi menunjukkan keunggulan CNN dibanding algoritma Penelitian Gina Annisa dan Ninuk Wiliani .
membuktikan bahwa CNN menghasilkan akurasi klasifikasi sepatu yang lebih tinggi dibanding SVM pada dataset lokal .
Selain itu, jurnal oleh Komunitas Ilmiah Teknologi https://ejournal.
id/index.
php/jict-ikmi p-ISSN: 2302-0261 e-ISSN: 2303-3363 Informasi Indonesia .
memperlihatkan bahwa CNN memiliki akurasi lebih tinggi pada dataset CIFAR-10 dibandingkan SVM dan ANN .
Penelitian-penelitian tersebut membuktikan bahwa CNN merupakan pilihan tepat untuk sistem klasifikasi citra, termasuk dalam membedakan sepatu Nike ORI dan KW.
Metode Dataset Dataset berisi 200 gambar sepatu Nike, masing-masing 100 untuk kelas ORI dan KW, diperoleh dari platform open-source Kaggle.
Gambar mencerminkan variasi jenis sepatu, sudut pandang, latar, pencahayaan, dan posisi untuk merepresentasikan kondisi nyata.
Seluruh gambar diperiksa manual sebelum pelatihan untuk memastikan kualitas dan keberagaman data.
Visualisasi contoh citra dalam dataset kategori KW dapat dilihat pada Gambar 1 berikut:
Gambar 1.
Contoh variasi visual gambar sepatu Penelitian ini tidak menerapkan preprocessing eksplisit seperti grayscale, histogram, atau filtering.
Gambar digunakan dalam format RGB asli dari sumber dataset, sementara augmentasi dan normalisasi piksel dilakukan otomatis melalui layer bawaan TensorFlow, yang dijelaskan pada subbab Arsitektur Model Model klasifikasi ini menggunakan transfer learning dengan MobileNetV2 yang telah dilatih pada ImageNet.
Arsitektur ini dipilih karena ringan, efisien, dan tetap unggul dalam klasifikasi citra.
Bobotnya dibekukan .
rainable=Fals.
untuk mempercepat pelatihan dan mencegah overfitting, mengingat data yang terbatas.
Sebelum masuk ke MobileNetV2, gambar diproses melalui lapisan Sequential.
yang terdiri dari:
RandomFlip('horizontal'): membalik gambar secara horizontal.
Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
RandomRotation.
: merotasi gambar secara acak sebesar A10%.
RandomZoom.
: melakukan zoom acak sebesar A10%.
Augmentasi dilakukan secara real-time selama pelatihan, sehingga memperkaya variasi data tanpa menambah ukuran dataset secara eksplisit.
Setelah ekstraksi fitur oleh MobileNetV2, output diratakan dengan GlobalAveragePooling2D, diberi Dropout 0.
3, lalu diproses oleh Dense beraktivasi sigmoid untuk menghasilkan probabilitas klasifikasi ORI atau KW.
Alur proses data dalam arsitektur model ini divisualisasikan pada Gambar 2 berikut:
p-ISSN: 2302-0261 e-ISSN: 2303-3363 pengulangan pelatihan pada subset kecil dapat meningkatkan risiko overfitting serta memerlukan waktu pelatihan yang lebih panjang.
Oleh karena itu, pendekatan stratified hold-out split dianggap lebih sesuai dalam konteks ini, karena tetap menjaga keseimbangan antar kelas dan memastikan model diuji pada data yang belum pernah dilihat selama Proses pelatihan model dilakukan menggunakan TensorFlow dan Keras, dengan parameter pelatihan sebagai berikut: jumlah epoch sebanyak 10, batch size 32, optimizer Adam, learning rate 0.
001, dan fungsi loss binary crossentropy.
Pelatihan dilakukan Python menggunakan GPU.
Evaluasi model dilakukan menggunakan metrik akurasi untuk menilai kemampuan model dalam mengklasifikasikan gambar secara biner.
Selain itu, digunakan confusion matrix untuk melihat distribusi prediksi benar dan salah antara kelas ORI dan KW.
Evaluasi dilakukan baik pada data uji yang dipisahkan sebelumnya, maupun pada hasil konversi model ke format TensorFlow Lite (.
yang diuji pada perangkat Android.
Hasil pengujian lebih lanjut, termasuk performa aplikasi mobile, akan dibahas secara lebih rinci pada Bab 4.
Hasil dan Pembahasan Hasil Pelatihan Model Model CNN berbasis MobileNetV2 dilatih menggunakan 200 gambar dengan distribusi seimbang antara kelas ORI dan KW.
Pelatihan berlangsung selama 10 epoch dengan batch size 32, menggunakan optimizer Adam .
earning rate Gambar diproses melalui augmentasi otomatis sebelum masuk ke jaringan transfer Gambar 2.
Diagram alur model CNN berbasis MobileNetV2 Model dilatih selama 10 epoch dengan batch size 32, menggunakan optimizer Adam .
dan fungsi loss binary_crossentropy untuk klasifikasi biner.
Pelatihan dilakukan di Python dengan TensorFlow dan Keras, lalu dievaluasi menggunakan data uji yang telah Skema Pelatihan dan Evaluasi Dataset dibagi menjadi dua bagian menggunakan metode stratified shuffle split untuk menjaga proporsi kelas yang seimbang di setiap Rasio pembagian data adalah 80% untuk pelatihan .
dan 20% untuk validasi .
Teknik k-fold cross-validation tidak diterapkan dalam penelitian ini karena jumlah dataset yang terbatas .
, sehingga https://ejournal.
id/index.
php/jict-ikmi Gambar 3.
Grafik akurasi model Berdasarkan Gambar 3, grafik akurasi model terlihat bahwa baik akurasi pelatihan maupun validasi mengalami peningkatan signifikan dari Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
p-ISSN: 2302-0261 e-ISSN: 2303-3363 epoch ke-1 hingga ke-4, lalu stabil hingga epoch ke10.
Akurasi validasi mencapai sekitar 90%, dan nilainya tetap berada di atas akurasi pelatihan pada sebagian besar epoch, yang mengindikasikan bahwa model tidak mengalami overfitting secara signifikan.
Gambar 5.
Visualisasi confusion matrix model CNN pada data uji Gambar 4.
Grafik loss model Berdasarkan Gambar 4, model nilai loss pada pelatihan dan validasi mengalami penurunan konsisten dari awal hingga akhir pelatihan.
Nilai loss pelatihan menurun dari sekitar 0.
73 menjadi di 2, sementara loss validasi juga menunjukkan tren penurunan yang stabil dari sekitar 63 ke sekitar 0.
Hal ini menunjukkan bahwa proses pembelajaran berjalan efektif dan model berhasil meminimalkan kesalahan secara bertahap.
Secara keseluruhan, model menunjukkan performa pelatihan yang baik dan stabil, serta siap untuk dievaluasi lebih lanjut menggunakan data uji.
Evaluasi Menggunakan Data Uji Setelah model selesai dilatih menggunakan dataset pelatihan dan validasi, evaluasi lebih lanjut dilakukan terhadap data uji untuk mengukur mengklasifikasikan citra sepatu ke dalam dua kategori, yaitu original (ORI) dan KW .
Dataset uji terdiri dari 200 gambar, masing-masing 100 gambar untuk kelas ORI dan 100 gambar untuk kelas KW.
Evaluasi dilakukan menggunakan metrik akurasi, serta confusion matrix untuk melihat distribusi klasifikasi benar dan salah antar kelas.
Hasil confusion matrix disajikan pada Tabel 1 Tabel 1.
Confusion matrix model CNN pada data uji KW .
ORI .
Prediksi KW Prediksi ORI Visualisasi dari confusion matrix tersebut dapat dilihat pada Gambar 5 berikut:
https://ejournal.
id/index.
php/jict-ikmi Selain itu, evaluasi juga dilakukan terhadap metrik precision, recall, dan F1-score untuk masingmasing kelas.
Hasilnya dirangkum dalam Tabel 2 Tabel 2.
Metrik evaluasi model CNN pada data uji Kelas Precision Recall ORI Macro Avg Weighted Avg Accuracy F1score Support Tabel 2 menunjukan nilai precision menunjukkan bahwa dari seluruh prediksi positif yang dihasilkan model, sebagian besar merupakan prediksi yang benar.
Recall menggambarkan kemampuan model dalam mendeteksi setiap kelas dengan baik, di mana kelas ORI memiliki recall 0.
dan kelas KW sebesar 0.
Nilai F1-score berada pada kisaran 0.
96Ae0.
97 yang menunjukkan keseimbangan antara precision dan recall, serta performa model yang stabil di kedua kelas.
Dengan akurasi keseluruhan sebesar 96%, model ini terbukti mampu mengklasifikasikan citra sepatu secara efektif, bahkan pada data yang belum pernah dilihat sebelumnya.
Hasil ini juga menunjukkan bahwa penggunaan MobileNetV2 sebagai arsitektur transfer learning cukup berhasil diterapkan dalam konteks klasifikasi sepatu original dan KW berbasis citra.
Implementasi Model & Pengujian pada Aplikasi Mobile Setelah pelatihan dan pengujian di lingkungan pengembangan, model CNN dikonversi ke format TensorFlow Lite (.
untuk diintegrasikan ke aplikasi Android menggunakan TensorFlow Lite API.
Aplikasi memungkinkan input gambar dari galeri atau kamera dan menghasilkan output Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
klasifikasi (AuKWAy atau AuORIA.
disertai nilai Pengujian di perangkat Android menunjukkan respons cepat, dengan prediksi di bawah satu detik per gambar.
Namun, ditemukan perbedaan hasil prediksi saat gambar yang sama diuji dalam konteks Gambar KW dari dataset menghasilkan prediksi benar (AuKWAy, sigmoid 0.
, tetapi saat difoto ulang dengan kamera ponsel, model AuORIAy .
igmoid mengindikasikan sensitivitas model terhadap perubahan kontekstual gambar.
Gambar 6.
Hasil prediksi model terhadap citra asli dataset .
enar terdeteksi sebagai KW) p-ISSN: 2302-0261 e-ISSN: 2303-3363 Gambar 6 dan 7 menunjukkan bahwa model cukup sensitif terhadap perubahan konteks pengambilan gambar, seperti sudut pandang, pencahayaan, dan noise kamera.
Nilai sigmoid yang mendekati ambang batas 0.
5 menandakan keraguan model dalam klasifikasi, di mana perubahan kecil pada input dapat mengubah hasil prediksi.
Temuan ini menekankan pentingnya pengujian di dunia nyata, karena meskipun performa kuantitatif tinggi, model tetap memiliki keterbatasan yang perlu dipahami, terutama dalam penerapan mobile di luar lingkungan pelatihan.
Ambiguitas ini terjadi karena nilai sigmoid berada sangat dekat dengan ambang batas klasifikasi .
, yang menunjukkan ketidakpastian tinggi Hal ini umumnya dipicu oleh noise visual, ketidaksesuaian distribusi data pelatihan dengan kondisi real-world, serta keterbatasan generalisasi model terhadap konteks pencahayaan dan sudut pandang baru.
Perbaikan bisa dilakukan melalui peningkatan jumlah data dan fine-tuning ulang dengan gambar-gambar dari kondisi nyata.
Perbandingan MobileNetV2 dengan VGG16 Sebagai bagian dari analisis performa model, penelitian ini membandingkan arsitektur utama yang digunakan, yaitu MobileNetV2, dengan salah satu model CNN klasik, yaitu VGG16.
Tujuan dari perbandingan ini adalah untuk mengetahui apakah model lightweight berbasis transfer learning seperti MobileNetV2 dapat bersaing atau bahkan melampaui model berukuran besar seperti VGG16 dalam hal akurasi klasifikasi, efisiensi waktu, serta kesiapan implementasi di aplikasi mobile.
Kedua model dilatih menggunakan pendekatan transfer learning dengan pretrained weights dari ImageNet.
Arsitektur MobileNetV2 dibekukan sepenuhnya .
rainable = Fals.
dan ditambahkan GlobalAveragePooling2D, dropout, dan dense sigmoid di bagian output.
Sementara itu.
VGG16 juga dimanfaatkan sebagai feature extractor dengan bobot dibekukan, lalu diikuti dengan Dense layer Hasil pelatihan model VGG16 menunjukkan peningkatan akurasi yang stabil dari awal hingga akhir epoch.
Grafik akurasi pelatihan dan validasi ditampilkan pada Gambar 8 dan 9.
Gambar 7.
Hasil prediksi aplikasi terhadap citra KW .
iprediksi sebagai ORI) https://ejournal.
id/index.
php/jict-ikmi Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
p-ISSN: 2302-0261 e-ISSN: 2303-3363 benar .
ecall ORI = 1.
, namun salah mengklasifikasikan 10 gambar KW sebagai ORI .
ecall KW = 0.
Ini menunjukkan kecenderungan model terlalu percaya diri terhadap kelas ORI, yang berisiko jika diterapkan pada autentikasi produk.
Sebaliknya.
MobileNetV2 menunjukkan hasil lebih seimbang, dengan hanya 6 kesalahan pada KW dan 1 pada ORI.
Model ini lebih sensitif terhadap sepatu KW, meskipun sedikit kurang presisi dalam mendeteksi sepatu ORI.
Ringkasan performa kedua model dapat dilihat pada Tabel 3 berikut:
Tabel 3.
Perbandingan model MobileNetV2 dan VGG16 Gambar 8.
Grafik akurasi model VGG16 Gambar 9.
Grafik loss model VGG16 Akumulasi akurasi validasi VGG16 meningkat tajam dari 57% di epoch pertama menjadi 93% pada epoch kedua, lalu stabil di kisaran 93Ae95% hingga akhir pelatihan.
Ini menunjukkan kemampuan model dalam belajar cepat meski dengan dataset terbatas.
Akurasi akhir pada data uji mencapai 95%, sedikit lebih rendah dari MobileNetV2 yang mencatat akurasi 96% .
ihat Bab 4.
Untuk melihat distribusi klasifikasi yang benar dan salah, dilakukan evaluasi menggunakan confusion matrix.
Confusion matrix untuk model VGG16 ditunjukkan pada Gambar 10 Gambar 10.
Confusion matrix model VGG16 pada data ujiAo Berdasarkan confusion matrix.
VGG16 mengklasifikasikan semua gambar ORI dengan https://ejournal.
id/index.
php/jict-ikmi Model Ak.
Uji Rec.
Rec.
ORI
Uk.
Model Wkt.
Pred.
MobileNetV2 A4.
VGG16
A528
> 1Ae2 Catatan Ringan, cocok di Berat, cocok di Dari Tabel 3 tersebut dapat disimpulkan bahwa meskipun VGG16 menawarkan performa kuantitatif yang tinggi.
MobileNetV2 tetap menjadi pilihan yang lebih seimbang dalam mendeteksi kedua kelas, dan lebih sesuai untuk diterapkan dalam aplikasi mobile yang memerlukan efisiensi, kecepatan, serta sensitivitas yang tinggi terhadap deteksi barang KW.
Kesimpulan Model MobileNetV2 mengklasifikasikan sepatu Nike Original dan KW dengan akurasi 96% pada data uji, dan menunjukkan performa lebih seimbang dibanding VGG16.
Selain akurat.
MobileNetV2 lebih efisien dalam ukuran dan kecepatan inferensi, sehingga lebih cocok untuk perangkat mobile.
Meskipun VGG16 memiliki recall tinggi untuk kelas original, ukurannya yang besar dan kesulitan mengenali sepatu KW menjadi Dengan hasil tersebut.
MobileNetV2 dinilai lebih optimal untuk klasifikasi dua kelas dalam skala Pengembangan ke depan disarankan mencakup perluasan dataset dengan variasi latar, sudut, dan pencahayaan, serta penerapan visualisasi seperti Grad-CAM dan pengujian pada data dunia nyata guna meningkatkan generalisasi dan keandalan model.
1 Keterbatasan Penelitian ini memiliki beberapa keterbatasan.
Pertama, jumlah dataset yang digunakan relatif kecil, hanya 200 gambar, sehingga berisiko menurunkan kemampuan generalisasi model.
Kedua, model menunjukkan ambiguitas prediksi pada citra dengan konteks visual berbeda dari data pelatihan, seperti pencahayaan rendah atau sudut ekstrim.
Ketiga.
Jurnal ICT : Information Communication & Technology Vol.
N0.
Juli 2025, pp.
proses evaluasi belum melibatkan data dari pengguna langsung atau crowdsourcing.
2 Rencana Penelitian Selanjutnya Penelitian selanjutnya disarankan untuk mengembangkan dataset yang lebih besar dan lebih bervariasi, baik dari sumber maupun kondisi pengambilan gambar.
Selain itu, pendekatan finetuning terhadap MobileNetV2 dengan layer tambahan adaptif bisa dilakukan agar model lebih sensitif terhadap noise visual.
Penerapan explainable AI .
eperti Grad-CAM) juga dapat dijajaki untuk membantu pengguna memahami alasan di balik hasil Terakhir, integrasi sistem dengan aplikasi mobile sebaiknya diperluas dengan fitur pelaporan dan verifikasi berbasis crowdsourcing.
p-ISSN: 2302-0261 e-ISSN: 2303-3363 Annisa and N.
Wiliani.
AuPerbandingan Model CNN dan SVM untuk Klasifikasi Jenis Footwear pada Dataset Alas Kaki Berbasis Citra,Ay vol.
18, no.
1, pp.
28Ae36.
Alfarisi.
Herisda.
Kalamsyah.
Nugraha.
Salsabila, and M.
Prasetio.
AuEvaluasi Model ANN.
CNN, dan SVM Untuk Klasifikasi Gambar CIFAR10,Ay J.
Anal.
Komputasi Digit.
, vol.
9, no.
1, pp.
28Ae33, 2025.
Daftar Pustaka