Optimasi Klasifikasi Gambar Varietas Jenis Tomat dengan Data Augmentation dan Convolutional Neural Network

Abstract

Tomat merupakan produk hortikultura yang sangat dibutuhkan masyarakat seiring dengan meningkatnya kesadaran masyarakat akan pola hidup sehat, dan permintaan tomat buatan sendiri juga semakin meningkat, CNN secara sederhana merupakan sebuah jaringan saraf tiruan yang menggunakan matriks perkalian konvolusi di dalam arsitekturnya. Fungsi konvolusi di dalam CNN digunakan untuk ekstraksi fitur, dan dari proses ini nantinya akan menghasilkan fitur-fitur tertentu yang akan diproses multilayer perceptron untuk menghasilkan sebuah output dari inputan Berdasarkan penelitian dan hasil implementasi metode Convolutional Neural Network (CNN) dalam proses klasifikasi 6 varietas pada tomat) diperoleh nilai accuracy dan nilai loss model berdasarkan data test sebesar 85,86% nilai accuracy dan 0,388 nilai loss pada model Sequential serta 97,04% nilai accuracy dan 0,076 nilai loss pada model on top VGG16.