KLASIFIKASI KESEGARAN CABE JAMU MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DAN ARSITEKTUR EFFICIENTNET B3

Identifikasi kesegaran cabe jamu (Piper retrofractum Vahl) penting untuk menjaga mutu dan nilai jual dalam rantai pasok maupun industri pengolahan. Namun, perbedaan antara cabe segar dan busuk, khususnya setelah proses pengeringan, sering sulit dikenali secara visual sehingga menimbulkan risiko penurunan kualitas. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model Convolutional Neural Network (CNN) standar dan EfficientNet B3 dalam mengklasifikasikan kesegaran cabe jamu. Dataset terdiri atas dua kelas utama (segar dan busuk) yang melalui tahap preprocessing berupa resize dan augmentasi. Model diuji dengan dua optimizer, yaitu ADAM dan SGD. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa EfficientNet B3 dengan optimizer ADAM memberikan performa terbaik dengan akurasi 95%, presisi 94%, recall 96%, dan F1-score 95%. Nilai tersebut lebih tinggi dibandingkan CNN standar maupun penggunaan optimizer SGD, yang cenderung menghasilkan akurasi kurang stabil. Temuan ini menegaskan efektivitas EfficientNet B3 dalam klasifikasi citra cabe jamu. Secara praktis, model terbaik berhasil diimplementasikan ke dalam aplikasi berbasis Streamlit yang memungkinkan prediksi dilakukan secara langsung melalui antarmuka sederhana.