<![CDATA[Abstract: This study aims to develop an image classification model based on Convolutional Neural Network (CNN) to identify five rice varieties: Basmati, Ipsala, Arborio, Jasmine, and Karacadag. The dataset used consists of 75,000 images, with 15,000 images per class. Training was carried out using Python and TensorFlow, employing image augmentation and validation methods. The dataset was split into training, validation, and testing sets in a 70:15:15 ratio. The training results show a validation accuracy of 97.47% and a test accuracy of 97.78%, with a test loss of 0.0688. These results indicate that CNN is highly effective for rice image classification, offering high accuracy and good generalization. The conclusion of this study is that the CNN model can be applied as an assistive system in automated rice processing or sorting. Keywords: image classification; CNN; rice; deep learning; TensorFlow. Abstrak: Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra berbasis Convolutional Neural Network (CNN) guna mengidentifikasi lima jenis beras: Basmati, Ipsala, Arborio, Jasmine, dan Karacadag. Dataset yang digunakan terdiri dari 75.000 gambar, masing-masing kelas berjumlah 15.000 gambar. Proses pelatihan dilakukan menggunakan Python dan TensorFlow dengan teknik augmentasi citra dan metode validasi. Dataset dibagi menjadi data pelatihan, validasi, dan pengujian dengan proporsi 70:15:15. Hasil pelatihan menunjukkan akurasi validasi mencapai 97,47% dan akurasi pengujian sebesar 97,78%, dengan nilai loss sebesar 0,0688. Temuan ini menunjukkan bahwa CNN sangat efektif dalam klasifikasi citra beras dengan akurasi tinggi dan generalisasi yang baik. Simpulan dari penelitian ini adalah model CNN dapat digunakan sebagai sistem bantu dalam proses pengolahan atau penyortiran beras secara otomatis. Kata kunci: klasifikasi citra; CNN; beras; deep learning; TensorFlow.]]>
