PENGEMBANGAN SISTEM DETEKSI REMPAH-REMPAH OTOMATIS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

Abstract

Penelitian ini membahas pembangunan model Convolutional Neural Network (CNN) untuk klasifikasi gambar rempah-rempah secara otomatis. Proses pelatihan dilakukan di Google Colab, dengan menambahkan variasi gambar (augmentasi data) agar model bisa mengenali lebih banyak bentuk. Dataset gambar diproses menggunakan ImageDataGenerator dengan augmentasi data berupa rotasi, zoom, flipping, dan translasi guna meningkatkan variasi data latih. Model CNN dibangun secara sequential dengan lapisan Conv2D, MaxPooling2D, Flatten, Dense, dan Dropout, serta dilatih menggunakan fungsi Categorical Cross Entropy dan aktivasi Softmax. Hasil pelatihan menunjukkan akurasi data latih mencapai 95–99%, sementara akurasi validasi meningkat hingga 65%. Meskipun terjadi lonjakan loss di awal epoch, performa model membaik pada epoch selanjutnya. Evaluasi prediksi terhadap data uji menunjukkan akurasi tinggi dengan tingkat kepercayaan di atas 90% untuk sebagian besar kelas. Namun, confusion matrix mengindikasikan adanya kesulitan dalam membedakan kelas yang memiliki kemiripan visual tinggi, seperti jahe, temulawak, dan lengkuas. Secara keseluruhan, model menunjukkan performa yang baik dan dapat dijadikan dasar dalam pengembangan sistem pengenalan rempah berbasis citra.