<![CDATA[Sayuran merupakan bagian tumbuhan yang memiliki kadar air tinggi dan berperan penting dalam konsumsi pangan sehari-hari. Namun, proses identifikasi jenis sayuran secara manual sering kali memerlukan waktu dan berisiko terjadi kesalahan, terutama dalam skala besar seperti di pasar atau industri. Penelitian ini bertujuan untuk mengembangkan dan menguji model klasifikasi citra sayuran secara otomatis menggunakan algoritma Convolutional Neural Network (CNN) dengan pendekatan K-Fold Cross Validation sebagai solusi terhadap permasalahan tersebut. Dataset yang digunakan terdiri dari 15 kelas sayuran, yaitu brokoli, capsicum, kacang, kembang kol, kentang, kubis, labu air, labu kuning, lobak, pare, pepaya, terong, timun, tomat, dan wortel. Proses pelatihan dilakukan dengan dua skenario, yaitu model pertama dilatih selama 10 epoch dan model kedua selama 5 epoch, masing-masing divalidasi menggunakan 5-Fold Cross Validation. Hasil pengujian menunjukkan bahwa model dengan pelatihan 10 epoch memberikan performa klasifikasi yang lebih optimal dengan akurasi tertinggi sebesar 99,13%, dibandingkan dengan model 5 epoch yang mencapai akurasi 99,07%. Temuan ini menegaskan bahwa jumlah epoch berpengaruh signifikan terhadap peningkatan performa model CNN dalam tugas klasifikasi citra dengan banyak kelas. Model yang dihasilkan memiliki potensi besar untuk diterapkan dalam sistem identifikasi otomatis sayuran guna mendukung sektor pertanian dan perdagangan berbasis teknologi.]]>
Copyrights © 2025
