<![CDATA[Kesegaran daging sapi merupakan faktor kritis bagi keamanan pangan di Indonesia, mengingat tingginya tingkat konsumsi dan impor komoditas ini. Metode penilaian kesegaran tradisional seringkali lambat, destruktif (merusak), atau bias secara subjektif. Penelitian ini bertujuan untuk mengembangkan model Deep Learning yang tidak hanya akurat dalam mengklasifikasikan kesegaran daging sapi (Segar, Setengah Segar, Busuk) tetapi juga dapat dijelaskan (explainable) dalam proses pengambilan keputusannya. Kami menerapkan Transfer Learning menggunakan arsitektur Convolutional Neural Network (CNN) yang ringan, yaitu MobileNetV2, pada dataset yang terdiri dari 2.266 citra daging yang telah diaugmentasi. Untuk mengatasi sifat "black-box" dari CNN, Gradient-weighted Class Activation Mapping (Grad-CAM) diimplementasikan untuk memvisualisasikan area fokus model. Hasil eksperimen menunjukkan bahwa model kami yang telah di-fine-tune mencapai akurasi validasi yang tinggi (96,01%), dengan presisi sempurna (100%) untuk kelas 'Busuk' (Spoiled), memastikan tidak ada daging busuk yang salah diklasifikasikan sebagai daging segar. Analisis Grad-CAM lebih lanjut memvalidasi bahwa model mendasarkan keputusannya pada fitur visual yang relevan secara biologis, seperti pola perubahan warna dan tekstur permukaan, bukan pada noise latar belakang. Temuan ini mengonfirmasi potensi integrasi CNN ringan dengan XAI untuk sistem kontrol kualitas yang andal, non-destruktif, dan transparan dalam industri pangan.]]>
