Klasifikasi Kematangan Buah Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN)

Abstract

Industri kelapa sawit berperan penting dalam
perekonomian global, namun klasifikasi tingkat kematangan
buah sawit secara efisien masih menjadi tantangan. Klasifikasi
manual memakan waktu dan sumber daya yang besar dengan
akurasi yang kurang memadai. Oleh karena itu, pendekatan
seperti Convolutional Neural Network (CNN) menjadi solusi
yang menjanjikan. CNN memanfaatkan kemampuan jaringan
saraf tiruan untuk memahami fitur kompleks dalam gambar,
memungkinkan klasifikasi otomatis yang lebih akurat.
Penelitian ini menggunakan CNN untuk klasifikasi kematangan
buah sawit. Dataset gambar buah sawit dengan berbagai
tingkat kematangan dikumpulkan dan dibagi menjadi tiga
bagian: training (70%, 152 data), validasi (15%, 32 data), dan
pengujian (15%, 32 data), dengan total 216 data. Pembagian ini
memastikan evaluasi kinerja model yang seimbang dan akurat.
Model yang dihasilkan diharapkan mampu mengenali dan
mengklasifikasikan buah sawit berdasarkan tingkat
kematangan dengan lebih efektif. Hasil pengujian
menunjukkan bahwa selama epoch 1-20, akurasi training
mencapai 100% dan loss menurun hingga 2,24%, sementara
akurasi validasi stabil di sekitar 95%. Epoch terbaik tercatat
pada epoch ke-20 dengan akurasi 100% dan loss 2,24% untuk
training, serta loss validasi 12,04%. Confusion matrix
menunjukkan 13 prediksi benar untuk buah matang dan 16
untuk buah mentah, dengan 3 false negatives dan tanpa false
positives. Model memiliki akurasi 90,63%, presisi 100%, dan
recall 81,25%
Kata kunci— AI, CNN, Buah Sawit, Klasifikasi