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