Klasifikasi Tanaman Liar yang Bisa Dimakan Menggunakan Convolutional Neural Network dengan Efficientnet-B0

Riky Priatna Kurniawan (Universitas Singaperbangsa Karawang)

JURNAL PENDIDIKAN TAMBUSAI
Vol. 10 No. 2 (2026): Agustus

Tanaman liar yang dapat dimakan memiliki potensi sebagai sumber pangan alternatif, namun sulit diidentifikasi akibat kemiripan morfologi. Penelitian ini bertujuan mengklasifikasikan tanaman liar yang dapat dimakan menggunakan Convolutional Neural Network (CNN) dengan arsitektur EfficientNet-B0. Dataset terdiri dari tiga kelas (Daisy-Fleabane, Dandelion, dan Sunflower) sebanyak 1500 citra yang dibagi dengan rasio 80:20. Model dibangun menggunakan transfer learning dengan preprocessing berupa resizing, normalisasi, dan augmentasi data. Pelatihan dilakukan selama 20 epoch menggunakan optimizer Adam dan fungsi loss categorical crossentropy. Hasil menunjukkan model mencapai akurasi 96,25% dengan performa precision, recall, dan f1-score yang seimbang. Hasil ini menunjukkan bahwa EfficientNet-B0 efektif dalam klasifikasi tanaman liar yang dapat dimakan.