OPTIMALISASI CONVOLUTION NEURAL NETWORK ( CNN ) DALAM MENGINDENTIFIKASI TINGKAT KEMATANGAN BUAH CPO

Abstract

Kelapa sawit merupakan salah satu komoditas utama di Indonesia, yang hasil utamanya berupa minyak kelapa sawit (Crude Palm Oil/CPO) sangat bergantung pada tingkat kematangan buah saat dipanen. Penentuan tingkat kematangan buah kelapa sawit yang dilakukan secara manual oleh petani sering kali menyebabkan ketidaktepatan, sehingga diperlukan sistem otomatis yang mampu melakukan identifikasi dengan akurat. Penelitian ini bertujuan untuk mengidentifikasi tingkat kematangan buah kelapa sawit menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 429 gambar buah sawit yang diklasifikasikan ke dalam tiga kelas, yaitu Belum Masak, Masak, dan Terlalu Masak. Proses pelatihan model dilakukan menggunakan arsitektur InceptionV3 melalui metode transfer learning. Seluruh implementasi dilakukan di platform Google Colaboratory, dengan penerapan teknik augmentasi data, normalisasi, dan image enhancement sebagai bagian dari preprocessing. Antarmuka pengguna berbasis Gradio juga dikembangkan agar sistem dapat diakses dan digunakan secara interaktif. Hasil pelatihan menunjukkan bahwa model CNN mampu mencapai akurasi validasi sebesar 87.65%, menunjukkan performa yang cukup baik dalam klasifikasi tingkat kematangan buah sawit. Sistem yang dibangun diharapkan dapat menjadi solusi pendukung pengambilan keputusan dalam proses panen buah sawit secara lebih efisien dan akurat.