ALGORITMA CNN DENGAN ARSITEKTUR MOBILENETV2 UNTUK KLASIFIKASI KUNYIT, JAHE, DAN LENGKUAS: STUDI KASUS MULTIBENTUK

Penulis

  • Delvita Widaningsih Caniago
  • Kiki Ahmad Baihaqi
  • Nurhayati Nurhayati

DOI:

https://doi.org/10.46576/djtechno.v7i2.9750

Abstrak

Penelitian ini bertujuan untuk merancang dan menerapkan algoritma Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV2 dalam mengklasifikasikan citra rempah famili Zingiberaceae, yaitu kunyit, jahe, dan lengkuas. Klasifikasi dilakukan pada tiga bentuk: utuh, iris, dan bubuk. Metode MobileNetV2 diterapkan karena keunggulannya dalam ekstraksi fitur visual secara otomatis dan efisien untuk membedakan objek dengan kemiripan bentuk. Dataset citra diuji pada model yang dikembangkan untuk mengukur performa pengenalan pada setiap bentuk rempah. Hasil penelitian menunjukkan kinerja model yang baik pada data uji, dengan capaian akurasi sebesar 94% untuk bentuk utuh, 96% untuk bentuk iris, dan 91% untuk bentuk bubuk. Nilai precision, recall, dan F1-score menunjukkan tingkat keandalan yang tinggi, khususnya pada variasi utuh dan iris. Namun, model mengalami penurunan performa pada bentuk bubuk, terutama saat mengidentifikasi jahe bubuk dengan precision 0,85 dan F1-score 0,86. Kesimpulannya, penggunaan arsitektur MobileNetV2 menunjukan efektivitas dalam klasifikasikan citra rempah multibentuk. Peningkatan kualitas citra, perluasan variasi dataset, dan optimasi model lebih lanjut diperlukan untuk meingkatkan akurasi lebih lanjut. 

Referensi

I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu dan Rempah dengan Algoritma Convolutional Neural Network (CNN),” 2020, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/

S. Syofyan and L. Fitria, “Spice Type Recognition Based on Shape and Color Features Using K- Nearest Neighbor and Fuzzy Methods,” vol. 6, no. 4, 2025.

P. Lixourgioti, K. A. Goggin, X. Zhao, D. J. Murphy, S. van Ruth, and A. Koidis, “Authentication of cinnamon spice samples using FT-IR spectroscopy and chemometric classification,” Lwt, vol. 154, p. 112760, 2022, doi: 10.1016/j.lwt.2021.112760.

I. P. W. Prasetia and I. M. G. Sunarya, “Image Classification of Spices Basic Ingredients for Making Bumbu Bali Base Genep Based on Deep Learning,” J. Nas. Pendidik. Tek. Inform., vol. 13, no. 1, pp. 79–90, 2024.

Z. Affandi et al., “Rempah-Rempah dalam Prasasti Warunggahan Sebagai Rujukan Obat Tradisional Program Studi Pendidikan Sejarah Rempah-rempah yang menyebutkan bahwa “ Pada relief Candi Borobudur terdapat penggambaran orang yang sedang menghancurkan,” vol. 9, no. 2, p. 28, 2024, [Online]. Available: file:///C:/Users/HP/Downloads/20961-Article Text-53496-1-10-20240822.pdf

M. ICHWAN and H. SUMANTRI, “Evaluasi Kinerja Model Inception Resnet-V2 dan Inception-V4 dalam Mengklasifikasi Kualitas Biji Kakao,” MIND (Multimedia Artif. Intell. Netw. Database) J., vol. 9, no. 1, pp. 25–41, 2024, [Online]. Available: https://ejurnal.itenas.ac.id/index.php/mindjournal/article/view/10543

K. Velarati, C. A. Sari, and E. H. Rachmawanto, “A Comparison of Convolutional Neural Network ( CNN ) and Transfer Learning MobileNetV2 Performance on Spices Images Classification,” vol. 8, no. 2, pp. 413–420, 2024.

A. D. Lestari, A. U. Khan, D. A. A. Pertiwi, and M. A. Muslim, “A new CNN model integrated in onion and garlic sorting robot to improve classification accuracy,” J. Soft Comput. Explor., vol. 5, no. 1, pp. 80–85, 2024, doi: 10.52465/joscex.v5i1.304.

Rexion Alondeo Boimau and Yampi R. Kaesmetan, “Klasifikasi Citra Digital Bumbu dan Rempah Dengan Algoritma Convolutional Neural Network (CNN),” Repeater Publ. Tek. Inform. dan Jar., vol. 2, no. 3, pp. 26–34, 2024, doi: 10.62951/repeater.v2i3.81.

A. E. Putra, M. F. Naufal, and V. R. Prasetyo, “Klasifikasi Jenis Rempah Menggunakan Convolutional Neural Network dan Transfer Learning,” J. Edukasi dan Penelit. Inform., vol. 9, no. 1, p. 12, 2023, doi: 10.26418/jp.v9i1.58186.

H. S. Metha, K. Kusrini, and D. Ariatmanto, “Classification of types Roasted Coffee Beans using Convolutional Neural Network Method,” Sinkron, vol. 8, no. 2, pp. 846–851, 2024, doi: 10.33395/sinkron.v8i2.13517.

M. Wibowo, H. Handayani, and ..., “Deteksi Penggunaan Masker Pada Tempat Umum Menggunakan Algoritma Convolutional Neural Network,” … Student J. …, vol. V, pp. 131–136, 2024, [Online]. Available: http://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/1016

Alif Kirana, Hanny Hikmayanti, and Jamaludin Indra, “Pengenalan Pola Aksara Sunda dengan Metode Convolutional Neural Network,” Sci. Student J. Information, Technol. Sci., vol. 1, no. 2, pp. 95–100, 2020.

C. A. Sari, L. H. S. Pradana, and E. H. Rachmawanto, “Identifikasi Citra Jenis Rempah-Rempah Menggunakan Arsitektur RestNet50,” LogicLink, vol. 2, no. 1, pp. 27–41, 2025, doi: 10.28918/logiclink.v2i1.10713.

C. Fadillah and S. Supatman, “Klasifikasi Jenis Rempah-Rempah Alami Untuk Kecantikan Menggunakan Densnet 121,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 923–929, 2024, doi: 10.36040/jati.v9i1.12512.

M. A. Hakiki, N. Rachmat, and K. Kunci-Cnn, “Klasifikasi Spesies Jamur Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2,” J. Algoritm., vol. 5, no. 3, pp. 274–287, 2025, doi: 10.35957/algoritme.v6i1.11077.

I. Riski, K. Putra, C. Sri, and K. Aditya, “Klasifikasi Citra Burung Cendrawasih Menggunakan Metode Convolutional Neural Network,” J. Repos., vol. 7, no. 2, pp. 189–198, 2025, [Online]. Available: https://ejournal.umm.ac.id/index.php/repositor/article/view/34309

Muhammad Minanul Lathif and S. Novianto, “Turtle Dove Classification Using CNN Algorithm With MobileNetV2 Transfer Learning,” J. Appl. Informatics Comput., vol. 9, no. 4, pp. 1701–1708, 2025, doi: 10.30871/jaic.v9i4.9173.

N. P. Mashak, G. Akbarizadeh, and E. Farshidi, “Classication of prostate cancer using Deep Learning approach and MobileNetV2 architecture,” 2022, [Online]. Available: https://doi.org/10.21203/rs.3.rs-1964155/v1

F. A. Mufarroha and D. A. Fatah, “Klasifikasi Jenis Rempah Penghasil Minyak Atsiri Menggunakan Metode Machine Learning,” J. SimanteC, vol. 11, no. 1, pp. 123–130, 2022, [Online]. Available: https://www.kaggle.com/datasets/awaltry

Unduhan

Diterbitkan

2026-08-05

Terbitan

Vol 7 No 2 (2026): Agustus

Bagian

Articles

Lisensi

Pernyataan Hak Cipta dan Lisensi

  1. Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  2. Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
  3. Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
  4. Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.