<![CDATA[Deteksi kematangan buah kelapa sawit merupakan salah satu langkah penting dalam meningkatkan efisiensi dan produktivitas di sektor pertanian di Indonesia. Dalam era perkembangan teknologi, penerapan metode berbasis kecerdasan buatan, seperti Convolutional Neural Network (CNN), sering digunakan dalam pengenalan dan klasifikasi citra. Dalam proses pengembangan model Deep Learning, optimasi untuk meningkatkan akurasi dan efisiensi komputasi menjadi langkah penting. Proses ini melibatkan penyesuaian arsitektur dan hyperparameter untuk memastikan model dapat mempelajari fitur yang relevan secara efektif. Melalui optimasi, model dapat disesuaikan untuk menangani karakteristik dataset tertentu, meningkatkan kemampuan generalisasi, dan memaksimalkan kinerja pada tugas klasifikasi. Penelitian ini mengoptimasi model CNN melalui penyesuaian arsitektur dan hyperparameter menggunakan salah satu algoritma evolusi, yaitu Differential Evolution (DE), dalam mengidentifikasi tingkat kematangan buah kelapa sawit. Dataset yang digunakan dalam penelitian ini berupa gambar buah kelapa sawit dengan tiga tingkat kematangan, yaitu: matang, mentah, dan busuk. Sebagai pembanding, penelitian ini juga menggunakan metode CNN tanpa DE. Hasil dari penelitian menunjukkan bahwa metode CNN yang dioptimasi menggunakan DE dalam mengidentifikasi tingkat kematangan buah kelapa sawit memberikan akurasi sebesar 0,98 serta nilai presisi, sensitivitas, dan F1-score di atas 0,97 untuk semua kelas. Abstract The detection of oil palm fruit ripeness is a crucial step in improving efficiency and productivity in Indonesia's agricultural sector. In the era of technological advancement, artificial intelligence-based methods, such as Convolutional Neural Networks (CNN), are frequently applied in image recognition and classification. In developing Deep Learning models, optimization plays a vital role in enhancing accuracy and computational efficiency. This process involves adjusting the architecture and hyperparameters to ensure the model can effectively learn relevant features. Through optimization, the model can be tailored to handle specific dataset characteristics, improve generalization, and maximize performance in classification tasks. This study optimizes a CNN model by adjusting its architecture and hyperparameters using an evolutionary algorithm known as Differential Evolution (DE) to identify the ripeness levels of oil palm fruits. The dataset used in this study consists of images of oil palm fruits categorized into three ripeness levels: ripe, unripe, and rotten. For comparison, a baseline CNN model without DE optimization was also employed. The results show that the CNN model optimized using DE achieved an accuracy of 0,98 with precision, sensitivity, and F1-score values exceeding 0.97 for all classes.]]>
