Detail Cantuman

Penentuan tingkat kematangan kelapa sawit merupakan langkah krusial dalam industri perkebunan untuk memastikan kualitas dan kuantitas produksi minyak kelapa sawit. Proses ini biasanya dilakukan secara manual oleh pekerja terlatih, yang dapat memakan waktu dan rentan terhadap kesalahan manusia. Untuk mengatasi masalah ini, penelitian ini mengeksplorasi penggunaan transfer learning dalam klasifikasi tingkat kematangan kelapa sawit menggunakan arsitektur Inception V4. Arsitektur Inception V4, yang terkenal dengan kemampuannya dalam ekstraksi fitur dan klasifikasi yang akurat, digunakan sebagai dasar model klasifikasi dalam penelitian ini. Dataset gambar kelapa sawit yang telah diberi label tingkat kematangannya digunakan untuk melatih model. Metode transfer learning memungkinkan model untuk memanfaatkan pengetahuan yang diperoleh dari dataset yang lebih besar dan lebih beragam, sehingga meningkatkan akurasi klasifikasi meskipun dengan dataset yang relatif kecil. Hasil penelitian menunjukkan bahwa model yang dibangun dengan menggunakan Inception V4 dan metode transfer learning mampu mengklasifikasikan tingkat kematangan kelapa sawit dengan akurasi training hingga 79.1667%. Implementasi model ini diharapkan dapat membantu industri kelapa sawit dalam meningkatkan efisiensi dan akurasi penentuan kematangan, sehingga dapat meningkatkan produktivitas dan kualitas hasil panen. Kata Kunci : transfer learning, klasifikasi, kelapa sawit, Inception V4.