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.
