KLASIFIKASI JENIS JAMUR MENGGUNAKAN METODE DEEP LEARNING ARSITEKTUR RESNET-50

Jamur memiliki variasi bentuk, warna, dan tekstur yang pada beberapa jenis dapat terlihat mirip sehingga menyulitkan proses pengenalan secara manual. Penelitian ini bertujuan menerapkan metode deep learning dengan arsitektur ResNet-50 untuk mengklasifikasikan jenis jamur berdasarkan citra digital serta mengevaluasi hasil klasifikasi menggunakan confusion matrix. Dataset yang digunakan merupakan data sekunder dari Kaggle, yaitu Dataset Inedible Mushrooms, yang terdiri atas 529 citra dengan lima kelas jamur, yaitu Autumn Skullcap, Death Cap, Destroying Angel, False Morels, dan Poison Fire Coral. Tahapan penelitian meliputi pengumpulan dataset, preprocessing citra, pembagian data, implementasi model ResNet-50, pelatihan, pengujian, dan evaluasi performa. Proses preprocessing dilakukan dengan mengubah ukuran citra menjadi 224 × 224 piksel, normalisasi, dan augmentasi pada data latih. Model ResNet-50 diterapkan menggunakan pendekatan transfer learning dengan bobot pretrained ImageNet1K V2 dan fine-tuning secara parsial pada layer4. Hasil pengujian terhadap 74 citra testing menunjukkan bahwa model berhasil mengklasifikasikan 62 citra dengan benar dan 12 citra mengalami kesalahan klasifikasi. Model memperoleh nilai testing accuracy sebesar 83,78%, testing loss sebesar 0,3824, macro average F1-score sebesar 0,83, dan weighted average F1-score sebesar 0,84. Hasil penelitian menunjukkan bahwa ResNet-50 dapat diterapkan untuk klasifikasi jenis jamur berdasarkan citra digital.
Kata Kunci: Deep Learning, ResNet-50, Klasifikasi Jamur, Citra Digital, Confusion Matrix.