KLASIFIKASI TINGKAT KEMATANGAN KUE PUKIS ORIGINAL MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

Abstract

This study aims to classify the doneness level of original pukis cakes using a Convolutional Neural Network (CNN). The research method used is quantitative with an experimental approach. Manually determining the doneness level of pukis cakes is subjective and influenced by lighting conditions, resulting in inconsistent assessments. The dataset was obtained from images of the pukis cake baking process, which were extracted into image frames and divided into three classes: uncooked, half-cooked, and done. The preprocessing stage included image resizing to 64x64 pixels, normalization, and data augmentation. A CNN model was used to extract features and perform image classification. The results showed that the model achieved an accuracy of 97.81% on the test data. These results demonstrate that the CNN method can automatically classify the doneness level of pukis cakes with a high degree of accuracy.

Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematangan kue pukis original menggunakan metode Convolutional Neural Network (CNN). Metode penelitian yang digunakan adalah metode kuantitatif dengan pendekatan eksperimen. Penentuan tingkat kematangan kue pukis secara manual masih bersifat subjektif dan dipengaruhi oleh kondisi pencahayaan sehingga menghasilkan penilaian yang kurang konsisten. Dataset diperoleh dari citra proses pemanggangan kue pukis yang diekstrak menjadi frame citra dan dibagi ke dalam tiga kelas, yaitu belum matang, setengah matang, dan matang. Tahap praproses meliputi resize citra menjadi 64×64 piksel, normalisasi, dan augmentasi data. Model CNN digunakan untuk mengekstraksi fitur serta melakukan klasifikasi citra. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 97,81% pada data pengujian. Hasil tersebut menunjukkan bahwa metode CNN mampu mengklasifikasikan tingkat kematangan kue pukis secara otomatis dengan tingkat akurasi yang tinggi.