Penggunaan Deep Learning dengan Convolutional Neural Network untuk Klasifikasi Kondisi Buah Tomat

Abstrak

Kualitas dan tingkat kematangan tomat merupakan faktor krusial yang menentukan nilai pasar dan masa simpannya. Hal ini menjadi tantangan signifikan bagi para petani yang seringkali masih mengandalkan proses penyortiran manual yang bersifat subjektif. Penelitian ini mengusulkan sebuah solusi otomatis menggunakan deep learning untuk meningkatkan efisiensi dan objektivitas penyortiran. Kami mengembangkan sebuah model Convolutional Neural Network (CNN) untuk mengklasifikasikan kondisi tomat ke dalam tiga kategori berbeda: matang, mentah, dan busuk. Dataset yang digunakan bersumber dari Kaggle, terdiri dari 300 gambar untuk pelatihan dan 60 gambar untuk pengujian, dengan distribusi yang seimbang di ketiga kelas tersebut. Arsitektur CNN dioptimalkan menggunakan metode RandomSearch pada ruang hyperparameter yang telah didefinisikan. Model terbaik yang dihasilkan berhasil mencapai akurasi keseluruhan sebesar 80% pada data pengujian. Analisis dari confusion matrix menunjukkan performa yang sangat baik dalam mengidentifikasi tomat matang (recall 100%) dan mentah (recall 95%), meskipun menghadapi tantangan dalam mengidentifikasi tomat busuk secara tepat (recall 45%). Hasil ini menunjukkan potensi besar dari sistem berbasis CNN sebagai alat yang mudah diakses dan efektif bagi para petani untuk mengotomatisasi pengendalian kualitas, mengurangi kerugian pascapanen, dan meningkatkan produktivitas secara keseluruhan