Analisis Performa CNN Berbasis MobileNetV2 pada Dataset Citra Dokumen Laporan Praktikum

Abstract

Penelitian ini bertujuan untuk menganalisis performa CNN berbasis MobileNetV2 dalam klasifikasi citra dokumen laporan praktikum. Pendekatan yang digunakan adalah transfer learning dengan bobot pra-latih dari ImageNet, serta fine-tuning pada lapisan atas untuk menyesuaikan model terhadap karakteristik dokumen akademik. Dataset terdiri dari ribuan citra dokumen yang telah melalui tahap pra-pemrosesan berupa resizing, normalisasi, dan augmentasi. Hasil eksperimen menunjukkan bahwa pada baseline, akurasi validasi mencapai 64,88% namun akurasi evaluasi manual hanya 10,54%, menandakan adanya masalah domain gap dan kesulitan separasi antar kelas. Fine-tuning meningkatkan akurasi validasi training menjadi 70,43%, tetapi akurasi evaluasi biner justru menurun menjadi 47,50%, sehingga performa model tetap rendah. Temuan ini menegaskan bahwa CNN kurang tepat untuk tugas validasi kepatuhan dokumen yang membutuhkan analisis semantik dan aturan tata letak yang kompleks serta dinamis. Sebagai solusi, integrasi OCR dengan rule-based validation direkomendasikan karena mampu memberikan akurasi lebih tinggi, interpretasi jelas, serta umpan balik detail sesuai pedoman penulisan akademik modern.