<![CDATA[Penelitian ini bertujuan mengembangkan metode klasifikasi tanaman hias tropis Indonesia menggunakan Jaringan Saraf Tiruan Konvolusional (CNN) dengan arsitektur EfficientNet-B1 berbasis pembelajaran transfer. Indonesia memiliki keanekaragaman tanaman hias yang tinggi, namun identifikasi spesies masih menjadi tantangan karena kemiripan morfologi antar jenis. Untuk mengatasi hal ini, penelitian menerapkan tahapan prapemrosesan data, pelatihan model, dan pengujian menggunakan dataset dari Kaggle, yang dibagi dalam tujuh skenario evaluasi. Parameter kinerja yang digunakan meliputi akurasi, presisi, recall, dan skor F1. Hasil pengujian menunjukkan bahwa model EfficientNet-B1 yang telah dilatih sebelumnya masih mengalami kesulitan dalam membedakan beberapa kelas tanaman hias tropis dari objek non-tanaman. Namun, skenario 1 menghasilkan performa terbaik dengan akurasi 98% dan skor F1 sebesar 97,92%, serta keseimbangan antara presisi dan recall yang optimal.Analisis menunjukkan bahwa keberhasilan model sangat dipengaruhi oleh kualitas dan keseimbangan dataset, serta proses penyetelan hiperparameter yang tepat. Oleh karena itu, penelitian ini merekomendasikan optimasi lanjutan melalui teknik augmentasi data untuk menambah variasi citra, penyeimbangan kelas, dan penyesuaian parameter pelatihan agar model mampu mengenali lebih baik berbagai spesies tanaman hias tropis. Dengan peningkatan tersebut, metode ini berpotensi diterapkan dalam sistem identifikasi otomatis tanaman hias yang dapat membantu bidang hortikultura, konservasi, dan perdagangan tanaman tropis di Indonesia.]]>
