<![CDATA[Penelitian ini bertujuan untuk menerapkan model klasifikasi citra bunga dari famili Asteraceae menggunakan metode Convolutional Neural Network (CNN) berbasis arsitektur MobileNet. Latar belakang penelitian ini adalah keanekaragaman bunga dalam famili Asteraceae yang menyulitkan proses klasifikasi manual. Dengan menggunakan teknologi pengolahan citra digital, klasifikasi otomatis diharapkan dapat memberikan hasil yang lebih akurat dan efisien. Dataset yang digunakan terdiri dari 2.600 citra bunga yang dikumpulkan dari berbagai genus dalam famili Asteraceae seperti Ageratum, Aster, Chrysanthemum, Cornflower, Cosmos, Dahlia, Daisy, Marigold, dan Sunflower. Penelitian ini menggunakan metode CNN dengan arsitektur MobileNet yang dikenal memiliki kinerja baik dalam klasifikasi citra dengan ukuran model yang lebih kecil dan efisien. Hasil penelitian menunjukkan bahwa metode CNN berbasis arsitektur MobileNet mampu mengklasifikasikan citra bunga dari famili Asteraceae dengan akurasi yang tinggi. Implementasi model ini diharapkan dapat berkontribusi dalam pengembangan teknologi pengenalan tanaman yang berguna untuk keperluan budidaya, penelitian, dan edukasi. This study aims to apply an image classification model for flowers from the Asteraceae family using the Convolutional Neural Network (CNN) method based on the MobileNet architecture. The background of this study is the diversity of flowers in the Asteraceae family, which makes manual classification difficult. By using digital image processing technology, automatic classification is expected to provide more accurate and efficient results. The dataset used consists of 2,600 flower images collected from various genera in the Asteraceae family, such as Ageratum, Aster, Chrysanthemum, Cornflower, Cosmos, Dahlia, Daisy, Marigold, and Sunflower. This study uses the CNN method with the MobileNet architecture, which is known to perform well in image classification with a smaller and more efficient model size. The results show that the MobileNet-based CNN method is capable of classifying images of flowers from the Asteraceae family with an accuracy of 90.51%. The implementation of this model is expected to contribute to the development of plant recognition technology that is useful for cultivation, research, and education purposes.]]>
