<![CDATA[Penelitian ini dilatarbelakangi oleh kebutuhan peningkatan akurasi dalam menentukan kesiapan panen jamur tiram yang selama ini masih dilakukan secara manual dan subjektif. Permasalahan tersebut dapat menyebabkan ketidakkonsistenan kualitas hasil panen dan menurunkan nilai ekonomi produk. Tujuan penelitian ini adalah mengembangkan sistem kecerdasan buatan berbasis Convolutional Neural Network (CNN) yang mampu mengklasifikasikan kesiapan panen jamur tiram berdasarkan ciri visual secara otomatis. Metode yang digunakan berupa pendekatan observasional kuantitatif dengan memanfaatkan dataset citra jamur tiram yang terdiri atas dua kategori, yaitu siap panen dan belum siap panen. Data diperoleh melalui pengambilan foto langsung di kumbung budidaya dengan total 1282 citra, kemudian diproses melalui tahap pra-pemrosesan, augmentasi, pelatihan, serta validasi model CNN. Arsitektur model terdiri dari empat lapisan konvolusi dan pooling yang diikuti lapisan fully connected dan dropout untuk menghindari overfitting. Hasil pelatihan menunjukkan bahwa model mampu mengenali pola visual jamur dengan tingkat akurasi sebesar 87% pada data uji dan F1-score sebesar 0,87. Implementasi model ke dalam sistem robotik menghasilkan akurasi sebesar 91% dengan kemampuan mendeteksi jamur belum siap panen secara sempurna pada berbagai sudut pengambilan citra. Hasil ini menunjukkan bahwa CNN efektif digunakan untuk mengidentifikasi tingkat kesiapan panen jamur tiram berdasarkan bentuk, ukuran, dan warna tudung jamur. Penelitian ini membuktikan bahwa integrasi teknologi CNN dengan sistem robotik mampu meningkatkan efisiensi serta objektivitas dalam menentukan waktu panen. Pengembangan lebih lanjut disarankan dengan menambahkan sensor lingkungan dan teknik transfer learning agar sistem dapat beradaptasi terhadap variasi kondisi budidaya.]]>
