Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi akurasi model Convolutional Neural Network (CNN) dalam mengenali tanaman hias "Keris Papua." Diperlukan sistem yang mampu mengenali tanaman secara cepat dan akurat untuk mendukung identifikasi yang lebih mudah. Penelitian ini mengumpulkan 120 gambar dari 4 kelas berbeda, termasuk kelas "Keris Papua" dan tiga kelas lainnya sebagai "Bukan Keris Papua." Data tersebut kemudian digunakan untuk melatih model CNN, yang diimplementasikan dalam aplikasi mobile berbasis MIT App Inventor. Model CNN dilatih menggunakan optimasi Adam dengan learning rate 0.001 dan loss function 'categorical_crossentropy'. Dataset pelatihan terdiri dari 120 gambar dalam 4 kelas, sementara dataset validasi terdiri dari 40 gambar. Model yang dibangun menunjukkan akurasi sebesar 0.41978 dalam mengklasifikasikan tanaman hias "Keris Papua." Evaluasi performa menggunakan confusion matrix menunjukkan hasil yang sangat baik, dengan precision, recall, dan F1-score masing-masing kelas mencapai 1.00, yang menunjukkan tidak ada kesalahan klasifikasi. Implementasi CNN dalam penelitian ini berhasil menunjukkan bahwa CNN adalah pendekatan yang efektif untuk pengenalan tanaman hias "Keris Papua," dengan tingkat akurasi sebesar 100%. Model ini mampu mengenali dan mengklasifikasikan gambar dengan baik meskipun terdapat variasi dalam data.

This research aims to develop and collect a Convolutional Neural Network (CNN) model in recognizing the ornamental plant "Papuan Keris." A system is needed that is able to recognize plants quickly and accurately to support easier identification. This research collected 120 images from 4 different classes, including the "Papuan Keris" class and three other classes as "Not Papuan Keris." The data is then used to train a CNN model, which is implemented in a mobile application based on MIT App Inventor. The CNN model was drilled using Adam optimization with a learning rate of 0.001 and loss function 'categorical_crossentropy'. The training dataset consists of 120 images in 4 classes, while the validation dataset consists of 40 images. The model built showed an accuracy of 0.41978 in classifying the ornamental plant "Papuan Keris." Performance evaluation using matrix confusion shows excellent results, with precision, recall, and F1 score for each class reaching 1.00, which indicates no classification errors. The implementation of CNN in this research succeeded in showing that CNN is an effective approach for recognizing the ornamental plant "Keris Papua," with an accuracy rate of 100%. This model is able to recognize and classify images well even though there are variations in the data.