PENGENALAN TINGKAT KEMATANGAN BUAH PISANG BERBASIS CITRA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK

Abstract

Pisang merupakan komoditas hortikultura krusial di Indonesia, di mana tingkat kematangannya menjadi indikator utama penentu kualitas pascapanen. Namun, proses penentuan kematangan di lapangan umumnya masih dilakukan secara manual dan subjektif, sehingga sering memicu inkonsistensi klasifikasi yang berdampak pada kerugian ekonomi. Penelitian ini bertujuan untuk mengotomatisasi proses tersebut dengan mengevaluasi dan membandingkan performa tiga arsitektur deep learning, yaitu Convolutional Neural Network (CNN) standar, VGG16, dan ResNet50, dalam mengklasifikasikan citra buah pisang ke dalam empat kategori kematangan. Evaluasi model dilakukan melalui skenario pelatihan 20 dan 50 epoch, dengan kinerja diukur menggunakan confusion matrix berdasarkan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian pada skenario 50 epoch menunjukkan model CNN standar mencapai akurasi tertinggi sebesar 98,39%, disusul oleh VGG16 dengan 96,62%. Sebaliknya, ResNet50 mengalami underfitting dengan akurasi stagnan di 50,53%. Kesimpulannya, model CNN terbukti lebih efisien dan akurat untuk dataset citra ini dibandingkan arsitektur jaringan yang terlalu kompleks.