OPTIMALISASI MODEL DEEP LEARNING UNTUK MENINGKATKAN AKURASI KLASIFIKASI CITRA MAKANAN KHAS JAWA DAN SUMATERA

Indonesia memiliki kekayaan kuliner yang beragam sebagai warisan budaya yang perlu dilestarikan. Namun, tantangan dalam mengidentifikasi dan mengklasifikasikan makanan tradisional semakin meningkat, terutama di era digital saat ini. Penelitian ini bertujuan untuk mengoptimalkan model deep learning dalam meningkatkan akurasi klasifikasi citra makanan khas Jawa dan Sumatera menggunakan pendekatan transfer learning. Implementasi dilakukan menggunakan dua arsitektur yaitu VGG16 dan ResNet50, dengan dataset yang terdiri dari 595 citra makanan dari 14 provinsi di Pulau Jawa dan Sumatera. Metode yang digunakan meliputi preprocessing data dan augmentasi data untuk meningkatkan kualitas dan variasi dataset. Hasil penelitian menunjukkan peningkatan signifikan dibandingkan penelitian sebelumnya yang menggunakan CNN custom (64%), dimana model ResNet50 mencapai akurasi tertinggi sebesar 90%, sementara VGG16 mencapai akurasi 88%. Evaluasi performa model menggunakan confusion matrix dan metrik evaluasi lainnya menunjukkan bahwa ResNet50 lebih unggul dalam mengurangi kesalahan klasifikasi, khususnya dalam kasus false positive. Meskipun menghadapi tantangan seperti ketidakseimbangan dataset dan kompleksitas visual, kedua model menunjukkan kemampuan yang baik dalam mengklasifikasikan makanan tradisional. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi makanan tradisional yang lebih akurat, yang dapat membantu upaya pelestarian dan promosi warisan kuliner nusantara.