Rancang Bangun Sistem Klasifikasi Tingkat Kematangan dan Jenis Buah Pisang Berbasis Citra Menggunakan Metode CNN (Convolutional Neural Network)
Kualitas dan tingkat kematangan buah pisang sangat memengaruhi harga jual dan kepuasan konsumen, namun proses penentuan secara manual memerlukan waktu, keahlian khusus, dan rawan kesalahan, sehingga dibutuhkan sistem otomatis yang akurat dan efisien. Penelitian ini bertujuan merancang dan membangun sistem klasifikasi otomatis tingkat kematangan dan jenis buah pisang berbasis citra dengan menggunakan metode Convolutional Neural Network (CNN), yang diharapkan dapat membantu petani, pedagang, dan konsumen dalam menilai kualitas buah secara cepat dan akurat. Dataset yang digunakan mencakup 900 citra awal dari pisang jenis susu dan muli dengan tiga kategori kematangan yaitu mentah, matang, dan busuk. Setelah melalui tahap preprocessing jumlah dataset meningkat menjadi 2.700 citra. Selanjutnya, data dibagi menjadi data latih 70%, data validasi 15%, dan data uji 15%. Model CNN dilatih menggunakan arsitektur VGG16 dan dievaluasi dengan metrik akurasi, precision, recall, dan F1-score. Proses analisis data meliputi pembagian dataset, pelatihan model, serta evaluasi performa dengan mengamati kestabilan nilai metrik pada data validasi dan pengujian. Hasil pengujian dari data uji dalam dataset menunjukkan performa model yang tinggi dengan nilai rata-rata precision 85%, recall 88%, dan F1-score 86% serta rata – rata akurasi 87,90%. Hasil pengujian sebanyak 405 data dari data uji diluar dataset menunjukkan performa model yang turun dengan nilai rata-rata precision 86%, recall 77% dan F1-score 79% serta rata – rata akurasi 76,79%. Dengan demikian, sistem ini terbukti efektif sebagai sistem otomatis dalam penilaian kualitas buah pisang, dan dapat diimplementasikan dalam industri pertanian untuk meningkatkan efisiensi, keakuratan, serta mendukung pengambilan keputusan secara cepat dan otomatis.