<![CDATA[Kualitas daging sapi merupakan faktor penting yang memengaruhi keamanan pangan, nilai gizi, dan kepercayaan konsumen. Penilaian kualitas daging sapi secara konvensional masih sangat bergantung pada pengamatan visual manusia, yang bersifat subjektif dan rentan terhadap ketidakkonsistenan. Oleh karena itu, diperlukan pendekatan yang objektif dan otomatis untuk meningkatkan akurasi serta keandalan dalam klasifikasi kualitas daging sapi. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN), yaitu AlexNet dan VGG-16, dalam mengklasifikasikan kualitas daging sapi berbasis citra digital ke dalam kategori daging segar dan tidak segar. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen. Dataset yang digunakan berupa citra daging sapi yang telah diberi label dan melalui tahap pra-pemrosesan berupa resizing dan normalisasi. Data kemudian dibagi menjadi data latih, data validasi, dan data uji. Kedua model dilatih dengan konfigurasi yang sama untuk memastikan perbandingan yang objektif. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, serta analisis confusion matrix. Hasil pengujian menunjukkan bahwa model AlexNet memperoleh akurasi sebesar 91% pada data uji, sedangkan model VGG-16 menunjukkan performa yang lebih unggul dengan tingkat akurasi mencapai 98%. Selain itu, VGG-16 memiliki stabilitas pelatihan yang lebih baik, tingkat overfitting yang minimal, serta kemampuan generalisasi yang lebih tinggi dibandingkan AlexNet. Kebaruan penelitian ini terletak pada perbandingan sistematis dan komprehensif antara arsitektur AlexNet dan VGG-16 dalam klasifikasi kualitas daging sapi menggunakan dataset dan metrik evaluasi yang sama. Hasil penelitian ini diharapkan dapat menjadi dasar dalam pemilihan model CNN yang optimal untuk pengembangan sistem penilaian kualitas daging sapi secara otomatis.]]>
