Analisis Komparasi Model Deep Learning CNN dengan VGG16 dalam Klasifikasi Jenis Bunga

Abstract

Klasifikasi citra bunga merupakan tantangan penting dalam visi komputer karena citra bunga memiliki tingkat variasi yang tinggi dalam hal bentuk, warna, latar belakang, dan sudut pengambilan gambar, yang sering kali menyulitkan proses klasifikasi secara akurat. Permasalahan ini mendorong dilakukannya penelitian untuk mengembangkan dan membandingkan efektivitas dua pendekatan deep learning, yaitu arsitektur Convolutional Neural Network (CNN) yang dibangun dari awal dan model VGG16 pre-trained yang diterapkan melalui metode transfer learning. Tujuan dari penelitian ini adalah untuk mengevaluasi kinerja kedua model dalam mengklasifikasikan lima jenis bunga daisy, dandelion, rose, sunflower, dan tulip berdasarkan akurasi, efisiensi pelatihan, dan kemampuan generalisasi. Dataset yang digunakan bersifat open-source dan diperoleh dari platform Kaggle, kemudian dibagi menjadi data pelatihan dan pengujian. Hasil eksperimen menunjukkan bahwa model CNN standar hanya mencapai akurasi sebesar 48%, sementara model berbasis VGG16 mencapai akurasi hingga 90%. Temuan ini menegaskan bahwa transfer learning dengan VGG16 merupakan pendekatan yang lebih unggul dan efektif untuk tugas klasifikasi citra bunga, terutama dalam skenario yang menuntut akurasi tinggi.  Penelitian ini memberikan wawasan penting bagi pengembangan sistem klasifikasi visual berbasis deep learning.