Buah Kelengkeng (Dimocarpus longan) merupakan komoditas pertanian dengan nilai ekonomi tinggi di Indonesia, yang permintaannya terus meningkat seiring dengan kesadaran akan manfaat kesehatan yang dimilikinya. Kualitas buah Kelengkeng yang terjaga menjadi faktor penting untuk memastikan produk yang sampai ke konsumen tetap segar dan bernutrisi. Namun, deteksi kualitas buah secara manual menggunakan metode konvensional memerlukan waktu, tenaga, dan keahlian khusus, yang seringkali tidak efisien dan rentan terhadap kesalahan. Untuk itu, teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), dapat diterapkan untuk mengotomatisasi proses evaluasi kualitas buah dengan tingkat akurasi yang tinggi. Penelitian ini bertujuan untuk mengembangkan model CNN yang dapat mengklasifikasikan kualitas buah Kelengkeng dalam tiga kategori, yaitu matang, mentah, dan busuk. Sistem yang dikembangkan diharapkan dapat meningkatkan efisiensi dan akurasi deteksi kualitas buah Kelengkeng dalam skala besar. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan berhasil mencapai tingkat akurasi 65% dalam pengklasifikasian citra buah Kelengkeng. Penelitian ini diharapkan dapat memberikan kontribusi terhadap peningkatan kualitas produk pertanian Indonesia dan penerapan teknologi yang lebih efisien dalam industri pertanian.

Longan fruit (Dimocarpus longan) is a high-value agriculture commodity in Indonesia, with increasing demand due to growing awareness of its health benefits. Maintaining the quality of longan fruit is essential to ensure that the product delivered to consumers remains fresh and nutritious. However, manual quality detection using conventional methods requires time, labor, and specialized expertise, making it inefficient and prone to errors. Therefore, artificial intelligence technology, particularly Convolutional Neural Network (CNN), can be applied to automate the fruit quality evaluation process with high accuracy. This study aims to develop a CNN model capable of classifying longan fruit quality into three categories: ripe, unripe, and rotten. The developed system is expected to enhance the efficiency and accuracy of longan fruit quality detection on a large scale. The research results indicate that the CNN model achieved an accuracy rate of 65% in classifying longan fruit images. This study is expected to contribute to improving the quality of Indonesia’s agriculture products and promoting more efficient technology adoption in the agricultural industry.