Jambu Kristal adalah salah satu buah-buahan yang populer di Indonesia. Kualitas jambu kristal yang baik dapat dilihat dari warna, ukuran, dan ketebalan daging buah. Namun, penilaian kualitas jambu kristal secara visual oleh manusia sangat subjektif dan tidak akurat. Oleh karna itu, penelitian ini bertujuan untuk mengembangkan metode deteksi kualitas jambu kristal menggunakan Convolutional Neural Network (CNN). Pada penelitian ini, digunakan dataset berupa gambar jambu kristal dengan kualitas yang berbeda-beda. Dataset tersebut dibagi menjadi dua bagian, yaitu data training dan data testing. Data training digunakan untuk melatih metode CNN, sedangkan data testing digunakan untuk menguji keakuratan model CNN dalam melakukan deteksi kualitas jambu kristal. Pada tahap pelatihan model CNN, dilakukan proses augmentasi data untuk meningkatkan variasi data training. Kemudian, dilakukan pemrosesan citra untuk mengubah ukuran dan skala citra agar sesuai dengan input model CNN. Setelah itu, dilakukan proses pelatihan model CNN dengan menggunakan algoritma backpropagation. Hasil pengujian menunjukkan bahwa model CNN yang telah dilatih mampu melakukan deteksi kualitas jambu kristal dengan akurasi yang cukup tunggi. Model CNN memiliki akurasi sebesar 95% pada daya testing, yang menunjukkan bahwa model CNN dapat digunakan untuk mendeteksi kualitas jambu kristal secara efektif.

Crystal guava is one of the most popular fruits in Indonesia. The quality of crystal guava can be determined by its color, size, and flesh thickness. However, visual quality assessment by humans is often subjective and inaccurate. Therefore, this study aims to develop a quality detection method for crystal guava using a Convolutional Neural Network (CNN). In this study, a dataset consisting of crystal guava images with varying quality levels was used. The dataset was divided into two parts: training data and testing data. The training data was used to train the CNN model, while the testing data was used to evaluate the accuracy of the CNN in detecting the quality of crystal guava. During the CNN training phase, data augmentation was applied to increase the variation in the training data. Then, image preprocessing was performed to resize and rescale the images to match the CNN input requirements. After that, the CNN model was trained using the backpropagation algorithm. The test results showed that the trained CNN model was able to detect the quality of crystal guava with high accuracy. The CNN achieved an accuracy of 95% on the testing data, indicating that the model can be effectively used for crystal guava quality detection.