P Perkembangan computer vision dan automated machine learning (automl) meningkatkan kebutuhan akan sumber daya komputasi yang tinggi sehingga pemilihan platform cloud menjadi salah satu faktor penting dalam proses pelatihan model. penelitian ini bertujuan membandingkan performa implementasi autogluon pada amazon elastic compute cloud (amazon ec2) dan google compute engine berdasarkan penggunaan sumber daya komputasi, training time, dan biaya komputasi. penelitian menggunakan metode eksperimen komparatif dengan autogluon multimodal sebagai framework automl pada tugas klasifikasi citra. pengujian dilakukan menggunakan dua ukuran citra, yaitu 256 × 256 pixel dan 512 × 512 pixel, dengan 10 kali pengulangan pada masing-masing platform sehingga menghasilkan 40 eksperimen. parameter yang dievaluasi meliputi cpu utilization, gpu utilization, ram utilization, training time, dan biaya komputasi. seluruh parameter dinormalisasi menggunakan metode assessment score untuk memperoleh platform score sebagai indikator performa keseluruhan. hasil penelitian menunjukkan bahwa amazon ec2 memiliki efisiensi penggunaan cpu, gpu, dan ram yang lebih baik, sedangkan google compute engine menghasilkan training time dan biaya komputasi yang lebih rendah. nilai platform score menunjukkan amazon ec2 memperoleh skor tertinggi sebesar 0,915 pada skenario 256 × 256 pixel, sedangkan google compute engine memperoleh skor tertinggi sebesar 0,910 pada skenario 512 × 512 pixel. hasil penelitian menunjukkan bahwa pemilihan platform cloud perlu mempertimbangkan keseimbangan antara efisiensi penggunaan sumber daya komputasi, waktu pelatihan, dan biaya operasional sesuai dengan karakteristik workload yang dijalankan.