<![CDATA[Abstrak Penelitian ini memuat dua rumusan masalah (1) Bagaimana mengindentifikasi kualitas dan jenis buah cabai berdasarkan Algoritma Deep Learning? (2) Bagaimana meningkatkan Akurasi mengenali kualitas dan jenis buah cabai berdasarkan Algoritma Deep Learning? Tujuan penelitian ini adalah (1) Mengidentifikasi kualitas dan jenis buah cabai secara otomatis menggunakan Algoritma deep learning. (2) Meningkatkan sistem Akurasi mengenali kualitas dan jenis buah cabai dengan mengoptimalkan penerapan Algoritma deep learning. Deep Learning adalah arsitektur jaringan saraf berlapis untuk memproses dan menganalisis data dalam skala besar secara efisien guna menyelesaikan berbagai permasalahan kompleks. Deep Learning merupakan cabang dari Machine Learning yang algoritmanya dirancang mengadopsi arsitektur jaringan saraf biologi manusia, yang dikenal sebagai Artificial Neural Networks. Salah satu, arsitektur Deep Learning yang paling umum digunakan analisis dalam gambar adalah Convolutional Neural Network (CNN). Pada penelitian ini, sampel data yang diperoleh berjumlah 1500 data gambar yang dibagi 4 kelas , yaitu : Cabai keriting segar, Cabai keriting tidak segar, Cabai rawit segar dan Cabai rawit tidak segar. Setalah itu akan di bagi menjadi dua data yaitu train dan validasi Gambar grafik di atas menunjukkan hubungan antara rasio data latih-uji dengan model Akurasi pada ukuran citra 400x400 piksel. Terlihat bahwa model Akurasi cenderung meningkat seiring proporsi data latih, dengan puncak Akurasi terjadi pada 80:20, mencapai sekitar 98% 1. Model CNN CabaiNet yang dikembangkan dalam penelitian ini mampu mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas (cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar) dengan tingkat Akurasi tinggi, mencapai 99% pada terbaik. Hal ini menjawab rumusan masalah pertama terkait bagaimana identifikasi kualitas dan jenis buah cabai dengan Algoritma deep learning, yaitu dengan memanfaatkan arsitektur CNN khusus yang dirancang untuk mengekstraksi fitur visual dari citra buah cabai1. Model CNN CabaiNet yang dikembangkan dalam penelitian ini mampu mengklasifikasikan jenis dan kualitas buah cabai ke dalam empat kelas (cabai keriting segar, cabai keriting tidak segar, cabai rawit segar, dan cabai rawit tidak segar) dengan tingkat Akurasi tinggi, mencapai 99% pada konfigurasi terbaik. Hal ini menjawab rumusan masalah pertama terkait bagaimana identifikasi kualitas dan jenis buah cabai dengan Algoritma deep learning, yaitu dengan memanfaatkan arsitektur CNN khusus yang dirancang untuk mengekstraksi fitur visual dari citra buah cabai.]]>
