<![CDATA[Industri makanan dan minuman yang mengalami peningkatan pesat salah satunya yakni industri produksi tepung terigu. Namun, dalam proses produksi masih mengalami kendala salah satunya klasifikasi kelayakan kemasan produk tepung terigu yang sesuai standard. Penelitian ini bertujuan untuk mengetahui pengaruh optimizer pada model Convolutional Neural Network dalam mendeteksi hasil kelayakan produk kemasan tepung terigu berdasarkan 2 kondisi yakni cacat atau normal. Area deteksi kemasan dilakukan pada area vertikal kemasan dengan indikasi cacat ditentukan berdasarkan kerusakan pada area perekat kemasan yang menimbulkan keluarnya bercak tepung pada area tersebut. Proses deteksi menggunakan webcam untuk capture image yang kemudian akan dilakukan ekstraksi fitur, reduksi citra, dan classification berdasarkan nilai probabilitas tertinggi. Pada penelitian ini kami mengimplementasikan dan membandingkan optimizer pada model CNN untuk meminimalisir terjadinya overfitting serta menghasilkan akurasi terbaik dalam klasifikasi produk cacat atau normal. Optimizer yang dibandingkan yakni optimizer Adadelta, Adagrad, Adam, Adamax, RMSprop, dan SGD. Dataset berjumlah 250 gambar, 125 gambar merupakan kelas cacat dan 125 gambar lainnya merupakan kelas normal. Sementara itu, split data pada proses training dibagi dengan perbandingan 90% data training dan 10% data validation. Setelah dilakukan pengujian diperoleh hasil training model CNN terbaik yakni menggunakan optimizer Adam dengan validation accuracy sebesar 92.77% dan akurasi testing mencapai 90%.Kata kunci— CNN, Optimizer, Kemasan, Tepung Terigu, Klasifikasi.]]>
