<![CDATA[AbstrakKakao adalah komoditas ekspor penting bagi Indonesia, dan untuk memenuhi standar mutu, diperlukan sistem klasifikasi biji kakao. Penelitian menggunakan metode CNN dengan fokus pada arsitektur Inception Resnet-V2 dan Inception-V4 untuk mengatasi permasalahan klasifikasi citra kualitas biji kakao. Keduanya merupakan inovasi dari keluarga Inception, dengan Inception Resnet-V2 menggabungkan elemen dari ResNet dan Inception, sementara Inception-V4 memperbaiki performa dengan mengurangi kompleksitas arsitektur. Tujuan penelitian adalah untuk mengevaluasi performa model dari kedua arsitektur tersebut dalam konteks klasifikasi biji kakao. Hasil penelitian menunjukkan bahwa arsitektur Inception Resnet-V2 dengan pengaturan optimizer RMSprop, batch size 16, dan learning rate 0,0001 memiliki performa terbaik, dengan nilai akurasi 91,87%, presisi 92,00%, recall 92,00%, f1-score 92,00%, dan ROC AUC Score 0,950.Kata kunci: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Biji KakaoAbstractCocoa is an important export commodity for Indonesia, and to meet quality standards, a cocoa bean classification system is needed. The research utilizes CNN method, focusing on Inception Resnet-V2 and Inception-V4 architectures to address cocoa bean quality image classification issues. Both are innovations from the Inception family, with Inception Resnet-V2 combining elements of ResNet and Inception, while Inception-V4 improves performance by reducing architectural complexity. The research objective is to evaluate the performance of models from both architectures in the context of cocoa bean classification. Research results show that the Inception Resnet-V2 architecture with RMSprop optimizer settings, batch size 16, and learning rate 0.0001 performs the best, with an accuracy of 91.87%, precision of 92.00%, recall of 92.00%, f1-score of 92.00%, and ROC AUC Score of 0.950. Keywords: Deep Learning, CNN, Inception Resnet-V2, Inception-V4, Cocoa Beans]]>
Copyrights © 2024
