Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Intan Idaman Halawa
Universitas Pamulang
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Jenis Sayuran Berbasis Citra Menggunakan Convolutional Neural Network dengan Penyediaan Informasi Kandungan Nutrisi: Image-Based Vegetable Type Classification Using Convolutional Neural Network with Nutritional Content Information Provision Intan Idaman Halawa; Choirul Basir
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2267

Abstract

Banyak jenis sayuran memiliki tampilan yang mirip dalam hal bentuk, warna, dan ukuran, sehingga sulit dibedakan secara manual karena membutuhkan waktu lama dan rentan terhadap kesalahan. Selain itu, rendahnya pengetahuan masyarakat tentang nutrisi sayuran yang sesuai dengan kondisi kesehatan pribadi menjadi tantangan tersendiri. Penelitian ini merancang model klasifikasi sayuran berbasis citra menggunakan deep learning dengan metode Convolutional Neural Network (CNN) berbasis TensorFlow yang diintegrasikan dengan penyediaan informasi kandungan nutrisi secara otomatis. Dataset mencakup 15 jenis sayuran umum: brokoli, capsicum, kacang, kembang kol, kentang, kubis, labu botol, labu pahit, lobak, mentimun, pepaya, terong, tomat, waluh, dan wortel, dengan total 21.000 citra yang dibagi menjadi data latih (training set 15.000 citra), data validasi (validation set 3.000 citra), dan data uji (test set 3.000 citra). Model CNN dengan arsitektur sequential 8 lapisan dilatih dengan variasi parameter masukan, epoch, dan metrik evaluasi. Model terbaik menunjukkan training accuracy 92,8%, validation accuracy 95,83%, dan testing accuracy 95,67%. Evaluasi menggunakan confusion matrix menghasilkan akurasi keseluruhan 96%, presisi tertinggi 99%, recall tertinggi 100%, dan F1-score tertinggi 100%. Model yang diusulkan berpotensi dimanfaatkan untuk pelacakan gizi, kontrol kualitas makanan, dan pengembangan produk pangan.
Co-Authors Choirul Basir