%A Ferli Malkan Amien
%T PERBANDINGAN PERFORMA MODEL CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR CONVNEXT, MOBILENET V3, DAN EFFICIENTNET PADA PENGKLASIFIKASIAN PENYAKIT MULUT
%X Penyakit mulut merupakan masalah kesehatan global yang memengaruhi miliaran orang di dunia. Deteksi dini berbasis teknologi kecerdasan buatan, khususnya dengan Convolutional Neural Network (CNN), dapat meningkatkan akurasi diagnosis penyakit mulut. Penelitian ini membandingkan performa tiga arsitektur CNN, yaitu ConvNeXt Tiny, MobileNet V3 Large, dan EfficientNet B0, dalam klasifikasi penyakit mulut berdasarkan dataset citra medis. Evaluasi dilakukan dengan mempertimbangkan akurasi, efisiensi komputasi, dan waktu pemrosesan. Hasil penelitian menunjukkan bahwa EfficientNet B0 mencapai akurasi tertinggi (98,21%) dengan jumlah parameter lebih kecil dibandingkan ConvNeXt Tiny. Namun, ConvNeXt Tiny memiliki performa terbaik dalam akurasi absolut (96,96%), meskipun dengan konsumsi sumber daya lebih besar. MobileNet V3 Large menunjukkan efisiensi tinggi dalam penggunaan parameter dengan akurasi kompetitif (96,44%). Dengan demikian, pemilihan arsitektur CNN bergantung pada kebutuhan antara akurasi tinggi atau efisiensi sumber daya komputasi dalam implementasi klinis.

Kata kunci: Convolutional Neural Network (CNN), ConvNeXt, MobileNetV3, EfficientNet, Penyakit Mulut

%D 2025
%C UNIVERSITAS LAMPUNG
%R 2117051050
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%L eprints88563