MENGEMBANGKAN MODEL CNN UNTUK KLASIFIKASI TINGKAT KEMATANGAN BUAH NANAS BERDASARKAN CITRA DIGITAL

Abstract

Penentuan tingkat kematangan buah nanas umumnya masih dilakukan secara manual melalui pengamatan visual, sehingga hasilnya sering bersifat subjektif dan tidak konsisten. Kondisi ini dapat mengakibatkan kesalahan dalam proses panen, sortasi, maupun distribusi yang berdampak pada penurunan kualitas dan kerugian ekonomi. Untuk mengatasi permasalahan tersebut, penelitian ini merancang dan mengembangkan model Convolutional Neural Network (CNN) yang mampu mengklasifikasikan tingkat kematangan buah nanas secara otomatis berdasarkan citra digital. CNN digunakan karena kemampuannya mengekstraksi pola warna dan tekstur yang menjadi indikator utama perubahan kematangan. Pengembangan model dilakukan melalui tahapan pengumpulan dataset citra nanas dari berbagai kondisi, preprocessing seperti normalisasi dan augmentation, serta perancangan arsitektur CNN dengan lapisan konvolusi, pooling, dan fully connected. Hasil pengujian menunjukkan bahwa model CNN mampu mengenali tingkat kematangan dengan akurasi tinggi dan performa stabil pada seluruh kategori. Temuan ini menunjukkan bahwa CNN dapat menjadi solusi objektif dan efisien untuk sistem sortasi buah nanas, serta berpotensi diterapkan dalam proses penilaian kualitas otomatis pada industri hortikultura modern.