<![CDATA[Kualitas dan kesegaran produk merupakan faktor penting dalam industri ritel yang mempengaruhi kepuasan pelanggan dan potensi kerugian akibat produk yang tidak layak. Pendekatan manual sering kali tidak efisien dan subyektif, sehingga diperlukan solusi otomatis yang lebih akurat dan konsisten. Dalam konteks ini, Convolutional Neural Network (CNN) ResNet50 terbukti efektif dalam mengenali pola visual pada gambar, termasuk mendeteksi perubahan visual seperti warna dan tekstur yang berkaitan dengan kualitas produk. Penelitian ini bertujuan mengoptimalkan deteksi kesegaran produk menggunakan model CNN ResNet50. Dataset yang digunakan terdiri dari gambar produk segar, yang dibagi menjadi data pelatihan, validasi, dan pengujian. Proses penelitian mencakup pra-pemrosesan data, pelatihan model, dan pengujian untuk mengevaluasi kinerja model. Hasil menunjukkan bahwa model CNN ResNet50 mencapai akurasi 84,43% dalam mendeteksi kualitas produk pada data uji. Akurasi ini menunjukkan kemampuan model untuk menggeneralisasi data baru dan mengurangi potensi kesalahan manusia. Temuan ini menunjukkan bahwa CNN ResNet50 memiliki potensi besar untuk diterapkan dalam manajemen produk segar di industri ritel, meningkatkan efisiensi operasional, dan meminimalkan kerugian akibat produk yang rusak atau tidak layak.]]>
Copyrights © 2025
