KLASIFIKASI KUALITAS CABAI BERDASARKAN KONDISI SEHAT DAN TIDAK SEHAT MENGGUNAKAN CITRA DIGITAL

Abstract

Kualitas cabai merupakan faktor penting dalam rantai pasok pangan karena berpengaruh langsung terhadap nilai jual dan kelayakan konsumsi. Penilaian kualitas secara manual yang masih banyak dilakukan saat ini dinilai tidak konsisten dan tidak efisien, terutama untuk volume besar. Penelitian ini mengusulkan sistem klasifikasi otomatis berbasis citra digital menggunakan dua metode, yaitu Convolutional Neural Network (CNN) sebagai metode utama dan K-Nearest Neighbor (KNN) sebagai metode pembanding. Dataset yang digunakan terdiri dari 200 citra cabai yang diperoleh dari Kaggle, dibagi menjadi dua kelas, yaitu sehat (healthy) dan tidak sehat (unhealthy) masing-masing sebanyak 100 citra. Pra-pemrosesan meliputi resizing, normalisasi nilai piksel, augmentasi data (horizontal flip, rotasi, dan zoom), serta pembagian data. Arsitektur CNN terdiri dari tiga blok convolutional dengan filter masing-masing, dilengkapi dropout dan EarlyStopping. KNN menggunakan nilai cross-validation 5-fold. Hasil pengujian menunjukkan CNN mencapai akurasi 92,5 persen, nilai loss 0,2606, serta precision, recall, dan F1-score rata-rata 0,93. Sementara itu, KNN memperoleh akurasi 85 persen dengan mean cross-validation 78,75 persen. CNN terbukti lebih unggul dibandingkan KNN dalam klasifikasi citra cabai, dengan selisih akurasi 7,5 persen. Penelitian ini diharapkan dapat berkontribusi pada otomasi seleksi kualitas pangan.