Klasifikasi Jenis Bunga Menggunakan Transfer Learning Resnet-50 Dengan Augmentasi

Sektor hortikultura bunga hias di Indonesia memiliki peran strategis dalam mendukung ekonomi kreatif dan industri pariwisata, khususnya melalui komoditas bunga yang memiliki nilai ekonomi tinggi. Identifikasi varietas secara manual maupun menggunakan metode ekstraksi fitur tradisional seperti GLCM dan HSV dengan klasifier KNN terbukti kurang adaptif terhadap variasi pencahayaan, sudut pengambilan gambar, dan kondisi lapangan, sehingga menurunkan akurasi pada skenario real-world. Perkembangan Convolutional Neural Network (CNN), khususnya arsitektur ResNet-50 dengan mekanisme residual learning, menawarkan solusi melalui pembelajaran fitur otomatis yang lebih robust. Penelitian ini bertujuan untuk menerapkan model ResNet-50 berbasis citra RGB dalam klasifikasi jenis bunga, mengukur tingkat akurasi yang dihasilkan, serta mengevaluasi pengaruh teknik transfer learning terhadap performa model. Metode yang digunakan adalah pendekatan Deep Learning berbasis CNN dengan empat skenario eksperimen, yaitu kombinasi penggunaan transfer learning dan augmentasi data, dengan learning rate 0,001, epoch 20, serta variasi batch size 16 dan 32. Evaluasi dilakukan menggunakan metrik akurasi dan loss pada data uji. Hasil penelitian menunjukkan bahwa skenario tanpa transfer learning dan tanpa augmentasi menghasilkan akurasi tertinggi sebesar 80,49% dengan loss 0,5389 pada batch size 16. Sementara itu, penggunaan transfer learning dan augmentasi belum menunjukkan peningkatan performa optimal pada konfigurasi parameter yang digunakan. Kesimpulan penelitian ini menunjukkan bahwa konfigurasi pelatihan dan strategi fine-tuning berpengaruh signifikan terhadap performa ResNet-50 dalam klasifikasi mawar, sehingga diperlukan optimasi lanjutan untuk memperoleh hasil yang lebih optimal pada implementasi lapangan.