- Nama: Sarah Adibah
- Email: sarahadibah06@gmail.com
- ID Dicoding: addsarah
Proyek ini mengembangkan model Convolutional Neural Network (CNN) berbasis VGG16 untuk mengklasifikasikan kondisi buah dan sayuran dalam kategori Healthy (sehat) dan Rotten (busuk). Dataset yang digunakan terdiri dari berbagai jenis buah dan sayuran yang telah diproses dengan resize, normalisasi, dan augmentasi agar model dapat belajar dengan lebih baik. Model dilatih menggunakan optimizer Adam dan loss function categorical crossentropy, dengan metrik evaluasi berupa akurasi. Selain itu, proyek ini menerapkan EarlyStopping, yang memungkinkan training berhenti otomatis jika akurasi telah mencapai lebih dari 95%, sehingga mencegah overfitting . Jika training berhenti pada epoch 1, maka plot loss dan akurasi tidak akan muncul karena jumlah epoch yang berjalan terlalu sedikit untuk divisualisasikan.
Setelah pelatihan, model dikonversi ke beberapa format untuk mendukung berbagai platform, yaitu SavedModel, TF-Lite, serta TensorFlow.js (TFJS). Model diuji dengan gambar baru menggunakan inference pada format SavedModel, TF-Lite, dan TFJS, sehingga dapat digunakan secara fleksibel. Dengan akurasi yang mencapai lebih dari 95%, proyek ini berhasil membangun model klasifikasi gambar yang efektif untuk mendeteksi kondisi buah dan sayuran.
Laporan ini mendokumentasikan tujuan, metode, hasil, dan kesimpulan proyek guna memudahkan pemahaman tentang keseluruhan proses pengembangan model. Tujuan utama proyek ini adalah menciptakan sistem klasifikasi gambar yang dapat mendeteksi kondisi buah dan sayuran secara akurat. Metode yang digunakan mencakup preprocessing data, transfer learning menggunakan VGG16, serta evaluasi model dengan confusion matrix dan accuracy plot. Hasil pelatihan menunjukkan bahwa model mampu mencapai akurasi tinggi dengan efisiensi training yang lebih baik berkat penggunaan EarlyStopping.