<![CDATA[Abstract: This study aims to design and build an asset and non-asset photo classification system based on a Convolutional Neural Network (CNN), integrated with EXIF metadata extraction, to automate field data recapitulation at PT.XYZ using the Agile method. The underlying problem is that field photos are recorded one by one, which is time-consuming and error-prone, and not every photo in a survey folder is an asset photo. The dataset consists of 994 images divided into training, validation, and test data. Images are processed through a 3×3 median filter, resizing to 224×224 pixels, and normalization, then classified by a CNN model with three convolution blocks. Photos classified as assets have their timestamp and coordinates extracted into an Excel recap and a KML file. Testing on 150 test images yielded an accuracy of 96.67%, precision of 98.61%, recall of 94.67%, and F1-score of 96.60%, while on 75 field images the accuracy reached 78.67% with precision of 100% and recall of 77.14%. The CNN model can screen asset photos and automate field data recapitulation, although recall on field data still needs improvement. Keywords: CNN; image classification; EXIF metadata; field data recapitulation; asset Abstrak: Penelitian ini bertujuan merancang dan membangun sistem klasifikasi foto aset dan non-aset berbasis Convolutional Neural Network (CNN) yang terintegrasi dengan ekstraksi metadata EXIF untuk mengotomatisasi rekap data lapangan pada PT.XYZ dengan menggunakan metode Agile. Permasalahan yang melatarbelakangi adalah pencatatan foto lapangan yang dilakukan satu per satu sehingga memakan waktu dan rentan kesalahan, serta tidak semua foto dalam folder survei merupakan foto aset. Dataset terdiri atas 994 citra yang dibagi menjadi data latih, validasi, dan uji. Citra diproses melalui median filter 3×3, resize 224×224 piksel, dan normalisasi, kemudian diklasifikasikan oleh model CNN tiga blok konvolusi. Foto yang terklasifikasi sebagai aset diekstraksi waktu dan koordinatnya menjadi rekap Excel dan berkas KML. Hasil pengujian pada 150 citra uji menunjukkan akurasi 96,67%, precision 98,61%, recall 94,67%, dan F1-score 96,60%, sedangkan pada 75 citra lapangan akurasi mencapai 78,67% dengan precision 100% dan recall 77,14%. Disimpulkan bahwa model CNN mampu menyaring foto aset dan mengotomatisasi rekap data lapangan, namun recall pada data lapangan masih perlu ditingkatkan. Kata kunci: CNN; klasifikasi citra; metadata EXIF; rekap data lapangan; aset]]>
Copyrights © 2026
