IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI TINGKAT KEMATANGAN BUAH TOMAT BERDASARKAN CITRA DIGITAL

Abstrak

Penentuan tingkat kematangan buah tomat secara manual masih menjadi praktik dominan di kalangan petani dan pelaku usaha tani skala kecil-menengah di Indonesia. Cara ini rentan terhadap bias subjektif, tidak konsisten antarpenilai, dan sulit diskalakan untuk volume panen yang besar. Penelitian ini mengusulkan sebuah pendekatan klasifikasi otomatis berbasis Convolutional Neural Network (CNN) untuk mengelompokkan buah tomat ke dalam empat kategori kematangan, yaitu mentah, mengkal, matang, dan terlalu matang, berdasarkan citra digital yang diambil menggunakan kamera smartphone dalam kondisi pencahayaan terkontrol. Dataset yang digunakan terdiri dari 2.400 citra tomat varietas Servo yang dikumpulkan secara mandiri, kemudian diperkaya melalui teknik augmentasi data berupa rotasi, flipping, dan penyesuaian kecerahan untuk memperbesar variasi pembelajaran model. Arsitektur CNN yang dirancang terdiri atas empat blok konvolusi dengan filter bertingkat (32, 64, 128, dan 256), diikuti lapisan fully connected dan fungsi aktivasi softmax pada lapisan keluaran. Hasil pengujian menunjukkan akurasi klasifikasi sebesar 94,3% pada data uji, dengan nilai precision dan recall rata-rata masing-masing 93,8% dan 94,1%. Performa ini dibandingkan dengan tiga arsitektur pratatih yaitu MobileNetV2, ResNet50, dan VGG16 menggunakan skema transfer learning, di mana model CNN yang dibangun dari nol justru menunjukkan efisiensi komputasi lebih baik meski akurasinya sedikit di bawah ResNet50. Temuan ini mengindikasikan bahwa arsitektur CNN sederhana yang dirancang khusus untuk domain tertentu masih kompetitif, terutama untuk kebutuhan implementasi pada perangkat dengan sumber daya terbatas seperti mikrokontroler atau smartphone kelas menengah. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem sortasi tomat otomatis yang lebih terjangkau bagi petani skala kecil.