300 SEBATIK 2621-069X PERANCANGAN APLIKASI MOBILE UNTUK KLASIFIKASI SAYURAN MENGGUNAKAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK Muhamad Jaelani Akbar 1) , Mochamad Wisuda Sardjono 2) , Margi Cahyanti 3) dan Ericks Rachmat Swedia 4) 1,4 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma 2,3 Jurusan Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma 1,2,3,4 Jalan Margonda Raya No. 100, Depok, 16424 E-mail: m.jaelaniakbar@gmail.com 1) , moch_wisuda@staff.gunadarma.ac.id 2) , margi@staff.gunadarma.ac.id 3) dan ericks_rs@staff.gunadarma.ac.id ABSTRAK Sayuran merupakan sebutan bagi bahan pangan asal tumbuhan yang biasanya mengandung kadar air tinggi dan dikonsumsi dalam keadaan segar atau setelah diolah secara minimal. Keanekaragaman sayur yang terdapat di dunia menyebabkan keragaman pula dalam pengklasifikasian sayur. Oleh karena itu diperlukan adanya pendekatan digital agar dapat mengenali jenis sayuran dengan cepat dan mudah. Dalam penelitian ini jumlah jenis sayuran yang digunakan sebanyak 7 jenis diantara: brokoli, jagung, kacang panjang, pare, terung ungu, tomat dan kubis. Dataset yang digunakan berjumlah 941 gambar sayur dari 7 jenis sayur, ditambah 131 gambar sayur dari jenis yang tidak terdapat pada dataset, selain itu digunakan 291 gambar selain sayuran. Untuk melakukan klasifikasi jenis sayuran digunakan algoritme Convolutional Neural Network (CNN), yang merupakan salah satu bidang ilmu baru dalam Machine Learning dan berkembang dengan pesat. CNN merupakan salah satu algoritme yang terdapat pada metode Deep Learning dengan memiliki kemampuan yang baik dalam Computer Vision, salah satunya yaitu image classification atau klasifikasi objek citra. Uji coba dilakukan pada lima perangkat selular berbasiskan sistem operasi Android. Python digunakan sebagai bahasa pemrograman dalam merancang aplikasi mobile ini dengan menggunakan modul Tensor flow untuk melakukan training dan testing data. Metode yang dapat digunakan dalam melakukan klasifikasi citra ini yaitu Convolutional Neural Network (CNN). Hasil final test accuracy yang diperoleh yaitu didapat keakuratan mengenali jenis sayuran sebesar 98.1% dengan salah satu hasil pengujian yaitu klasifikasi sayur jagung dengan akurasi sebesar 99.98049%. Kata kunci: Sayuran, Computer Vision, CNN, Image Classification, Accuracy 1. PENDAHULUAN Perkembangan teknologi dalam kehidupan manusia sangat mempengaruhi segala kinerja tiap individu dalam melakukan aktivitasnya, teknologi membantu manusia dalam melakukan segala pekerjaan menjadi lebih efektif dan efisien terhadap waktu. Pada bidang pertanian merupakan salah satu contoh teknologi yang dapat berguna untuk memudahkan masyarakat dalam membedakan jenis sayuran. Sayuran merupakan bahan pangan asal tumbuhan yang mengandung kadar air tinggi dan dikonsumsi dalam keadaan segar atau setelah diolah secara minimal. Keanekaragaman sayur yang terdapat di dunia menyebabkan keragaman pula dalam pengklasifikasian sayur yaitu berdasarkan organ yang dimakan, klasifikasi berdasarkan cara budidaya, klasifikasi berdasarkan syarat tumbuh terutama suhu, dan klasifikasi botani (Nurainy, 2018). Mengetahui banyaknya klasifikasi yang ditemukan pada sayuran, diperlukan adanya pendekatan digital agar dapat mengenali beragam jenis sayuran dengan cepat dan mudah. Salah satu caranya adalah dengan menggunakan teknologi Deep Learning, yang merupakan salah satu bidang ilmu baru dalam Machine Learning dan memiliki perkembangan yang cukup pesat (Widodo, 2016). Convolutional Neural Network merupakan salah satu metode Deep Learning yang dapat digunakan untuk mendeteksi dan mengenali sebuah objek pada sebuah citra digital. CNN dapat memecahkan permasalahan object detection dan object recognition. Pada tahun 2012, penelitian tentang CNN dapat melakukan pengenalan citra digital dengan akurasi yang menyaingi manusia pada dataset tertentu. (Kurniadi, Kusrini, & Sadikin, 2020) James F. Peter (2017) mengungkapkan bahwa Computer Vision adalah cabang ilmu yang memberikan komputer atau mesin dengan penglihatan atau kemampuan untuk melihat seperti manusia (Peters, 2017). Klasifikasi citra saat ini menjadi salah satu masalah yang telah lama dicari solusinya dalam computer vision. Tujuan klasifikasi citra itu sendiri adalah mengklasifikasikan beberapa citra pada kategori tertentu. Bagaimana menduplikasikan kemampuan manusia dalam memahami informasi citra digital, supaya komputer dapat mengenali objek pada citra selayaknya manusia. Selain itu, penggunaan teknologi salah satunya teknologi mobile (bergerak) sudah menjadi kebutuhan di masyarakat yang memberikan kemudahan untuk menjalankan aktivitas, mendukung produktivitas dan