KLASIFIKASI TINGKAT KEMATANGAN BUAH JENGKOL MENGGUNKAAN CNN DENGAN ARSITEKTUR MOBILENETV3

Abstract

Buah jengkol merupakan komoditas pertanian bernilai ekonomi tinggi yang memerlukan proses penyortiran berdasarkan tingkat kematangan untuk menjaga kualitas dan nilai jual. Namun, proses penyortiran yang masih dilakukan secara manual sering menimbulkan ketidakkonsistenan dan membutuhkan waktu yang relatif lama. Permasalahan utama yang dihadapi adalah keterbatasan pendekatan klasifikasi tingkat kematangan buah jengkol yang mampu memberikan akurasi tinggi sekaligus efisiensi komputasi. Oleh karena itu, penelitian ini bertujuan untuk membandingkan performa dan efisiensi komputasi arsitektur MobileNetV3-Large dan MobileNetV3-Small dalam mengklasifikasikan tingkat kematangan buah jengkol. Metode yang digunakan adalah computer vision berbasis Convolutional Neural Network (CNN) dengan dataset citra buah jengkol yang dibagi ke dalam tiga kelas, yaitu muda, sedang, dan tua. Evaluasi dilakukan menggunakan metrik akurasi serta analisis efisiensi komputasi. Hasil penelitian menunjukkan bahwa MobileNetV3-Large mampu mencapai akurasi sebesar 97,79%, namun memerlukan sumber daya komputasi yang lebih besar. Sementara itu, MobileNetV3-Small menghasilkan performa terbaik dengan akurasi sebesar 98,53%, serta memiliki kebutuhan komputasi dan waktu inferensi yang lebih rendah. Dengan demikian, MobileNetV3-Small dinilai lebih efektif dan efisien untuk klasifikasi tingkat kematangan buah jengkol