IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI WARNA MANGKUK JERAMI

Sari

Klasifikasi warna mangkuk jerami memegang peranan penting dalam industri pertanian, terutama dalam menentukan kualitas dan tingkat kematangan produk. Proses klasifikasi manual seringkali memakan waktu dan rentan terhadap ketidakkonsistenan. Penelitian ini bertujuan membangun model Convolutional Neural Network (CNN) untuk mengklasifikasikan warna mangkok jerami, yaitu biru dan krem. CNN, sebagai algoritma deep learning yang sangat efektif dalam pengolahan citra, dapat secara otomatis mengekstraksi fitur spasial dari citra tanpa memerlukan pemrograman fitur secara manual. Proses pelatihan model meliputi praproses data seperti normalisasi, pengubahan ukuran, dan penambahan citra untuk meningkatkan keragaman dataset. Arsitektur CNN yang digunakan terdiri dari lapisan konvolusional, pooling, dan fully connected untuk menghasilkan prediksi kelas berdasarkan warna citra. Model dilatih menggunakan algoritma backpropagation dan dioptimalkan dengan Adam optimizer. Hasil menunjukkan akurasi validasi mencapai 95%, dengan loss yang terus menurun seiring proses pelatihan. Penelitian ini membuktikan efektivitas metode CNN dalam klasifikasi warna objek sederhana. Selain itu, model CNN menunjukkan keunggulan dalam hal efisiensi waktu dan akurasi, sehingga menjadikannya solusi yang lebih praktis dan andal untuk aplikasi industri. Studi ini menunjukkan potensi CNN dalam mempercepat proses klasifikasi warna produk pertanian, meningkatkan kualitas, dan mengurangi ketergantungan pada penilaian subjektif manusia.