Penerapan Transfer Learning untuk Klasifikasi Citra Bunga Berbasis Convolutional Neural Network

Abstrak

Klasifikasi citra bunga merupakan salah satu tantangan dalam pengolahan citra digital yang memerlukan ketelitian tinggi dalam mengenali pola visual yang kompleks. Penelitian ini bertujuan untuk menerapkan metode transfer learning berbasis arsitektur Convolutional Neural Network (CNN) dalam mengklasifikasikan citra bunga dari dataset Oxford 102 Flower. Model pretrained yang digunakan meliputi VGG16, ResNet50, dan MobileNetV2, dengan penyesuaian pada layer output untuk mendukung klasifikasi 102 kelas bunga. Data citra diproses melalui teknik augmentasi dan normalisasi, kemudian dibagi menjadi data latih, validasi, dan uji. Hasil pelatihan menunjukkan bahwa model mampu mencapai akurasi validasi di atas 90%, dengan nilai loss yang menurun secara konsisten, tanpa indikasi overfitting. ResNet50 menunjukkan performa terbaik dalam hal keseimbangan antara akurasi dan stabilitas loss. Kesimpulannya, transfer learning terbukti efektif dan efisien dalam menyelesaikan tugas klasifikasi citra bunga, serta memiliki potensi besar untuk diimplementasikan dalam aplikasi identifikasi tanaman otomatis.