ABSTRAK

Penelitian ini bertujuan untuk menerapkan metode Convolutional Neural Network (CNN) dalam mengklasifikasikan lima jenis bibit kelengkeng, yaitu Diamond River, Matalada, Merah, Itoh, dan Pingpong, berdasarkan pola urat daun secara visual. Dataset yang digunakan berjumlah 1000 citra, terdiri dari 900 data latih dan 100 data uji. Proses pelatihan model dilakukan melalui beberapa tahapan, meliputi preprocessing citra, cropping, resize, augmentasi, normalisasi, serta pembagian data latih dan validasi. Pelatihan dilakukan menggunakan arsitektur CNN dengan penyesuaian hyperparameter melalui grid search. Konfigurasi terbaik diperoleh pada epoch ke-80, learning rate 0,0001, dan batch size 8, yang menghasilkan akurasi validasi sebesar 0,8444 dan loss validasi sebesar 0.3865. Model tersebut kemudian diuji terhadap data uji dan mampu mencapai akurasi pengujian sebesar 0,8000, dengan nilai rata-rata precision sebesar 0,8266, recall 0,8000, dan f1-score 0,7843 berdasarkan perhitungan macro dan weighted average. Model menunjukkan performa terbaik pada kelas Merah dan Matalada, namun masih mengalami kesulitan dalam mengenali kelas Diamond, yang ditandai dengan rendahnya nilai recall. Hal ini diduga disebabkan oleh kemiripan visual antar kelas dan keterbatasan representasi data. Oleh karena itu, meskipun metode CNN terbukti efektif, pengembangan lebih lanjut tetap diperlukan agar model dapat diterapkan secara optimal dalam klasifikasi citra tanaman di dunia nyata.

Kata kunci : CNN, Hyperparamater Tuning, Grid Search, Pola Urat Daun, Kelengkeng.