ANALISIS ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK DAN TRANSFER LEARNING DALAM KLASIFIKASI KUALITAS BUAH

Kualitas buah dan sayur segar memainkan peran krusial dalam kesehatan konsumen. Penilaian kesegaran produk secara manual seringkali tidak efektif karena subjektif dan memakan waktu. Penelitian ini mengimplementasikan arsitektur Convolutional Neural Network (CNN) dan transfer learning menggunakan VGG16 dan ResNet50 untuk mengklasifikasikan kondisi buah (apel dan pisang) sebagai segar atau busuk. Desain model ini mengadaptasi penelitian sebelumnya dengan memodifikasi ukuran citra input, membatasi label target menjadi empat kelas (apel segar, pisang segar, apel busuk, dan pisang busuk), serta menghapus lapisan Dropout. Dataset yang diperoleh dari Kaggle mencakup dua jenis buah (apel dan pisang) dan dua kondisi (segar dan busuk). Hasil eksperimen menunjukkan bahwa VGG16 mencapai akurasi tertinggi sebesar 93,9%, mengungguli ResNet50 dan model CNN khusus. CNN khusus menunjukkan kinerja yang jauh lebih rendah, yang menunjukkan keterbatasan kemampuannya untuk mengekstraksi fitur hierarkis yang mendalam dibandingkan dengan arsitektur yang telah dilatih sebelumnya. Temuan ini menyoroti efektivitas pembelajaran transfer berbasis CNN untuk mendukung klasifikasi otomatis produk pertanian segar.