Penelitian ini bertujuan membangun sistem klasifikasi lima jenis kaktus menggunakan algoritma Convolutiong`al Neural Network (CNN) dengan mengimplementasikan arsitektur MobileNetV2 sebagai pendekatan transfer learning. Metode penelitian yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP- DM) yang meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data yang digunakan merupakan data sekunder berupa 1.000 citra kaktus yang diperoleh dari Kaggle dan sumber terbuka lainnya, dengan variabel berupa citra lima jenis kaktus, yaitu Astrophytum asteria, Cereus, Ferocactus, Gymnocalycium, dan Opuntia. Hasil penelitian menunjukkan bahwa model Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 mampu menghasilkan performa klasifikasi yang lebih baik dibandingkan model CNN yang dibangun dari awal (training from scratch). Hal tersebut ditunjukkan oleh nilai akurasi validasi yang mencapai sekitar 88,44% selama proses pelatihan, sedangkan hasil evaluasi menggunakan Classification Report menunjukkan accuracy sebesar 88%. Penerapan arsitektur MobileNetV2 membantu model mengekstraksi fitur visual secara lebih efektif sehingga proses klasifikasi menjadi lebih akurat dan konsisten. Model terbaik kemudian diimplementasikan ke dalam aplikasi berbasis Streamlit sehingga dapat digunakan untuk mengidentifikasi jenis kaktus secara otomatis berdasarkan citra masukan.

S12739

INF 0261 2026

Bekasi

Tersedia