SISTEM GRADING KUALITAS SINGKONG KERING (GAPLEK) MENGGUNAKAN CNN ARSITEKTUR RESNET PADA GUDANG JUAL BELI PALAWIJA MAJU JAYA DESA SAWOO

Penentuan kualitas singkong kering (gaplek) di Gudang Jual Beli Palawija Maju Jaya masih dilakukan secara manual melalui pengamatan visual sehingga rentan terhadap subjektivitas dan ketidakkonsistenan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem grading kualitas gaplek secara otomatis berbasis Convolutional Neural Network (CNN). Penelitian membandingkan tiga arsitektur Residual Network (ResNet), yaitu ResNet-50, ResNet-101, dan ResNet-152, untuk mengklasifikasikan citra gaplek ke dalam tiga kategori kualitas, yaitu Grade A, Grade B, dan Grade C. Proses pelatihan model menggunakan dataset citra yang telah melalui tahap preprocessing, meliputi penghapusan latar belakang, penyesuaian ukuran citra (resizing), dan augmentasi data. Hasil pengujian menunjukkan bahwa arsitektur ResNet-101 memberikan performa terbaik dengan akurasi sebesar 90,00%, lebih tinggi dibandingkan ResNet-50 (83,33%) dan ResNet-152 (76,67%). Selain itu, ResNet-101 menghasilkan nilai precision, recall, dan F1-score yang konsisten pada seluruh kelas. Model terbaik kemudian diimplementasikan ke dalam sistem berbasis web menggunakan framework Flask. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mengklasifikasikan kualitas gaplek secara lebih objektif, cepat, dan konsisten dibandingkan metode manual.