<![CDATA[Kualitas cengkeh merupakan salah satu faktor yang memengaruhi nilai ekonomi dan mutu hasil panen sehingga proses klasifikasi kualitas menjadi tahapan penting dalam pengendalian mutu. Namun, proses klasifikasi yang masih dilakukan secara manual rentan menghasilkan penilaian yang subjektif dan kurang konsisten, sedangkan keterbatasan jumlah data dapat memengaruhi performa model klasifikasi berbasis deep learning. Penelitian ini bertujuan menganalisis pengaruh penambahan data sintetis menggunakan Deep Convolutional Generative Adversarial Network (DCGAN) terhadap performa model Convolutional Neural Network (CNN), MobileNetV2, ResNet50V2, dan VGG19 dalam klasifikasi kualitas cengkeh. Dataset terdiri atas tiga kelas, yaitu berjamur, berkuncup, dan tidak berkuncup, yang melalui tahap cropping dan resize. Data sintetis hasil DCGAN ditambahkan pada data latih, sedangkan data validasi dan data uji menggunakan data asli. Evaluasi dilakukan menggunakan metrik accuracy, loss, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penambahan data sintetis meningkatkan accuracy pada seluruh model, yaitu CNN dari 85,56% menjadi 93,33%, MobileNetV2 dari 95,56% menjadi 96,67%, ResNet50V2 dari 91,11% menjadi 93,33%, dan VGG19 dari 95,56% menjadi 97,78%. Berdasarkan hasil tersebut, penambahan data sintetis menggunakan DCGAN memberikan peningkatan performa klasifikasi pada seluruh model yang diuji, dengan VGG19 memperoleh performa terbaik berdasarkan nilai accuracy, precision, recall, dan F1-score]]>
