Algoritma CNN Dengan Arsitektur Mobilenetv2 Untuk Klasifikasi Kunyit, Jahe, Dan Lengkuas : Studi Kasus Multibentuk

Penelitian ini bertujuan untuk merancang dan menerapkan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dalam klasifikasi citra rempah dari famili Zingiberaceae, yaitu kunyit, jahe, dan lengkuas, dalam tiga bentuk: utuh, iris, dan bubuk. Penggunaan CNN, khususnya dengan MobileNetV2, dipilih karena kemampuannya dalam mengekstraksi fitur visual secara otomatis dan efisien, yang memungkinkan pengklasifikasian rempah dengan tingkat akurasi tinggi meskipun memiliki kemiripan bentuk. Model yang digunakan menunjukkan hasil yang cukup baik yaitu bentuk_utuh dengan akurasi 94%, bentuk_iris dengan akurasi 96%, bentuk_bubuk dengan akurasi 91% pada data uji. Model yang dibangun berhasil mengklasifikasikan rempah dengan precision, recall, dan F1-score yang sangat baik, terutama pada bentuk utuh dan iris. Namun, pada bentuk bubuk, model mengalami sedikit kesulitan dalam mengklasifikasikan jahe bubuk, dengan precision 0.85 dan F1-score 0.86. Kesimpulannya, penelitian ini berhasil menunjukkan efektivitas penggunaan MobileNetV2 dalam klasifikasi citra rempah dan mengidentifikasi area yang perlu diperbaiki, seperti kualitas citra, keberagaman dataset dan optimasi model, untuk meningkatkan akurasi lebih lanjut.

Kata Kunci: Convolutional Neural Network (CNN), Deep Learning, Klasifikasi Citra, MobileNetV2, Pengolahan Citra Digital