Klasifikasi Jenis Jamur Berdasarkan Data Citra Menggunakan Metode CNN dengan Arsitektur ResNet-50

Kasus keracunan akibat konsumsi jamur liar masih sering terjadi di Indonesia, sebagian besar disebabkan oleh kesalahan identifikasi antara jamur yang dapat dimakan dan yang beracun. Kemiripan ciri morfologis antar jenis jamur menyulitkan proses identifikasi visual, sehingga diperlukan solusi berbasis teknologi untuk mendukung klasifikasi jamur secara akurat. Penelitian ini bertujuan mengembangkan model klasifikasi jenis jamur berbasis citra digital menggunakan metode deep learning dengan arsitektur ResNet-50. Model dikembangkan menggunakan 1.119 citra jamur dari dataset publik dan dokumentasi lapangan. Dua pendekatan pelatihan diterapkan, yaitu transfer learning dan K-Fold Cross Validation. Arsitektur ResNet-50 dimodifikasi dengan penambahan callback EarlyStopping dan ReduceLROnPlateau untuk mengoptimalkan pelatihan. Evaluasi dilakukan melalui pendekatan langsung dan validasi silang. Hasil menunjukkan bahwa model dengan transfer learning memberikan performa terbaik dengan akurasi 92%, precision 91%, recall 92%, dan F1- score 91%. Sementara itu, pendekatan K-Fold menghasilkan akurasi bervariasi antara 66% hingga 77%. Temuan ini mengindikasikan bahwa pendekatan evaluasi langsung lebih stabil untuk dataset dengan ukuran terbatas dan kompleksitas visual tinggi.