<![CDATA[Industri kelapa sawit berperan penting dalamperekonomian global, namun klasifikasi tingkat kematanganbuah sawit secara efisien masih menjadi tantangan. Klasifikasimanual memakan waktu dan sumber daya yang besar denganakurasi yang kurang memadai. Oleh karena itu, pendekatanseperti Convolutional Neural Network (CNN) menjadi solusiyang menjanjikan. CNN memanfaatkan kemampuan jaringansaraf tiruan untuk memahami fitur kompleks dalam gambar,memungkinkan klasifikasi otomatis yang lebih akurat.Penelitian ini menggunakan CNN untuk klasifikasi kematanganbuah sawit. Dataset gambar buah sawit dengan berbagaitingkat kematangan dikumpulkan dan dibagi menjadi tigabagian: training (70%, 152 data), validasi (15%, 32 data), danpengujian (15%, 32 data), dengan total 216 data. Pembagian inimemastikan evaluasi kinerja model yang seimbang dan akurat.Model yang dihasilkan diharapkan mampu mengenali danmengklasifikasikan buah sawit berdasarkan tingkatkematangan dengan lebih efektif. Hasil pengujianmenunjukkan bahwa selama epoch 1-20, akurasi trainingmencapai 100% dan loss menurun hingga 2,24%, sementaraakurasi validasi stabil di sekitar 95%. Epoch terbaik tercatatpada epoch ke-20 dengan akurasi 100% dan loss 2,24% untuktraining, serta loss validasi 12,04%. Confusion matrixmenunjukkan 13 prediksi benar untuk buah matang dan 16untuk buah mentah, dengan 3 false negatives dan tanpa falsepositives. Model memiliki akurasi 90,63%, presisi 100%, danrecall 81,25%Kata kunci— AI, CNN, Buah Sawit, Klasifikasi]]>
Copyrights © 2025
