ANALISIS PERBANDINGAN OPTIMIZER SGD DAN ADAM PADA MODEL CNN UNTUK KLASIFIKASI JAMUR EDIBLE DAN POISONOUS

Abstract

Identifikasi jamur secara tradisional menghadapi berbagai tantangan, terutama dalam hal kompleksitas karakteristik morfologi dan kebutuhan akan keahlian khusus yang mendalam. Hal ini dapat meningkatkan risiko kesalahan identifikasi yang berpotensi membahayakan kesehatan manusia, mengingat beberapa jenis jamur bersifat beracun. Untuk mengatasi tantangan tersebut, penelitian ini mengadopsi pendekatan deep learning dengan menggunakan Convolutional Neural Network (CNN) untuk mengklasifikasikan jamur ke dalam kategori edible dan poisonous. Model CNN dikembangkan dan dioptimalkan menggunakan dua algoritma optimasi populer, yaitu Stochastic Gradient Descent (SGD) dan Adaptive Moment Estimation (Adam). Dataset yang digunakan berisi 2.000 gambar jamur dari dua kelas dengan proporsi data pelatihan, validasi, dan pengujian masing-masing sebesar 80%, 10%, dan 10%. Hasil eksperimen menunjukkan bahwa model dengan optimizer SGD mencapai akurasi tertinggi sebesar 95,50% dan F1-Score 0,9550, sedangkan model dengan optimizer Adam menghasilkan akurasi 94,50% dan F1-Score 0,9450. Analisis lebih lanjut menunjukkan bahwa model SGD memiliki performa yang lebih stabil dibandingkan Adam, terutama dalam recall untuk kelas jamur edible sebesar 97%. Dengan demikian, penelitian ini menunjukkan bahwa optimizer SGD lebih unggul untuk implementasi klasifikasi jamur berbasis CNN pada dataset ini. Hasil ini diharapkan dapat memberikan kontribusi bagi pengembangan metode identifikasi jamur yang lebih efisien dan akurat.