Klasifikasi Jenis Sayuran Berbasis Citra Menggunakan Convolutional Neural Network dengan Penyediaan Informasi Kandungan Nutrisi: Image-Based Vegetable Type Classification Using Convolutional Neural Network with Nutritional Content Information Provision

Abstrak

Banyak jenis sayuran memiliki tampilan yang mirip dalam hal bentuk, warna, dan ukuran, sehingga sulit dibedakan secara manual karena membutuhkan waktu lama dan rentan terhadap kesalahan. Selain itu, rendahnya pengetahuan masyarakat tentang nutrisi sayuran yang sesuai dengan kondisi kesehatan pribadi menjadi tantangan tersendiri. Penelitian ini merancang model klasifikasi sayuran berbasis citra menggunakan deep learning dengan metode Convolutional Neural Network (CNN) berbasis TensorFlow yang diintegrasikan dengan penyediaan informasi kandungan nutrisi secara otomatis. Dataset mencakup 15 jenis sayuran umum: brokoli, capsicum, kacang, kembang kol, kentang, kubis, labu botol, labu pahit, lobak, mentimun, pepaya, terong, tomat, waluh, dan wortel, dengan total 21.000 citra yang dibagi menjadi data latih (training set 15.000 citra), data validasi (validation set 3.000 citra), dan data uji (test set 3.000 citra). Model CNN dengan arsitektur sequential 8 lapisan dilatih dengan variasi parameter masukan, epoch, dan metrik evaluasi. Model terbaik menunjukkan training accuracy 92,8%, validation accuracy 95,83%, dan testing accuracy 95,67%. Evaluasi menggunakan confusion matrix menghasilkan akurasi keseluruhan 96%, presisi tertinggi 99%, recall tertinggi 100%, dan F1-score tertinggi 100%. Model yang diusulkan berpotensi dimanfaatkan untuk pelacakan gizi, kontrol kualitas makanan, dan pengembangan produk pangan.