Klasifikasi Kematangan Sawit Menggunakan Metode Convolutional Neural Network (CNN) Dengan Transfer Learning Xception

Abstract

Penelitian ini membahas implementasi metode Deep Learning menggunakan algoritma Xception dengan augmentasi data untuk klasifikasi tingkat kematangan buah kelapa sawit. Dataset yang digunakan terdiri dari 613 citra sawit yang diperoleh dari Kaggle d. Data tersebut memiliki dua kelas, yaitu matang dan belum matang. Data yang diperoleh diperkaya melalui teknik augmentasi seperti flipping, zooming, dan penyesuaian pencahayaan. Penelitian ini menggunakan arsitektur Xception, yang memanfaatkan deptwise separable convolution untuk meningkatkan efisiensi komputasi dan akurasi dalam ekstraksi fitur. Preprocessing data meliputi rescaling pixel dan penyesuaian ukuran gambar menjadi 299 x 299 piksel, sesuai standar Xception. Model dilatih menggunakan optimizer Adam dengan pembagian data latih dan uji sebesar 85:15. Hasil menunjukkan dengan teknik augmentasi data dan arsitektur Xception hasil kinerja model memperoleh tingkat akurasi sebesar 90%. Studi ini memberikan kontribusi dalam pengembangan sistem klasifikasi otomatis berbasis citra, yang dapat mendukung efisiensi dalam industri kelapa sawit.