<![CDATA[Penelitian ini bertujuan mengembangkan model klasifikasi citra bunga multikelas menggunakan algoritma Convolutional Neural Network (CNN) untuk mengatasi keterbatasan identifikasi manual yang kurang efisien dan rawan kesalahan. Dataset yang digunakan berjumlah 994 gambar dari sepuluh jenis bunga, diunduh dari platform Kaggle dan diproses melalui tahapan augmentasi serta normalisasi. Model CNN dibangun dengan empat lapisan konvolusi beraktivasi ReLU, dilanjutkan dengan pooling dan lapisan dense, serta dilatih menggunakan optimizer Adam dan fungsi loss categorical crossentropy. Evaluasi dilakukan dengan metrik akurasi, Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pelatihan menunjukkan akurasi validasi sebesar 72,48% dan nilai MAE yang rendah, yang mengindikasikan kemampuan generalisasi model terhadap data baru. Model juga menunjukkan performa yang baik dalam mengklasifikasikan citra yang belum pernah dilatih sebelumnya. Dengan demikian, CNN terbukti efektif untuk klasifikasi otomatis citra bunga dan memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi berbasis teknologi visual serta peningkatan performa melalui tuning arsitektur.]]>
Copyrights © 2025
