<![CDATA[Jamur memiliki peran penting dalam keanekaragaman hayati, namun beberapa spesies seperti Agaricus xanthodermus dan Amanita muscaria bersifat beracun dan dapat menyebabkan risiko kesehatan serius jika dikonsumsi. Identifikasi jamur beracun secara akurat menjadi tantangan karena kemiripan morfologinya dengan spesies non-beracun. Penelitian ini mengusulkan model klasifikasi jamur beracun menggunakan metode transfer learning dengan arsitektur MobileNetV2, yang dikenal efisien dalam memproses data visual. Dataset terdiri dari 632 gambar, masing-masing 304 gambar untuk Agaricus xanthodermus dan 328 gambar untuk Amanita muscaria, yang diperoleh dari platform Kaggle dan dibagi menjadi 80% data latih dan 20% data validasi. Augmentasi data seperti rotation, shift, flipping, dan rescaling diterapkan untuk meningkatkan generalisasi model. Eksperimen dilakukan dengan menguji pengaruh jumlah epoch terhadap performa model, menggunakan rentang 10 hingga 100 epoch dengan interval 10. Hasil menunjukkan bahwa akurasi model meningkat seiring bertambahnya jumlah epoch, dengan performa optimal pada epoch ke-60. Pada epoch ini, akurasi validasi mencapai 99.21% dengan nilai loss validasi terendah sebesar 0,0447, menunjukkan bahwa model mampu mengklasifikasikan kedua spesies jamur secara akurat dan efisien. Selain itu, tren akurasi dan loss pada data pelatihan menunjukkan bahwa model mampu belajar secara stabil dan tidak mengalami overfitting, bahkan ketika menggunakan dataset yang relatif kecil. Penelitian ini berkontribusi pada pengembangan metode klasifikasi jamur beracun yang lebih akurat dan efisien, yang memiliki implikasi penting dalam kesehatan masyarakat dan konservasi keanekaragaman hayati.]]>
