<![CDATA[Penentuan tingkat kematangan buah kelapa sawit merupakan salah satu faktor yang berpengaruh langsung terhadap mutu dan produktivitas hasil perkebunan.Pada praktiknya, identifikasi kematangan buah masih banyak mengandalkan pengamatan manusia, sehingga hasil penilaian rentan terhadap perbedaan persepsi antaroperator. Penelitian ini mengusulkan penerapan metode transfer learning untuk mengotomatisasi proses identifikasi tingkat kematangan buah kelapa sawit berbasis citra digital. Dua arsitektur deep learning, yaitu MobileNetV3-Large dan EfficientNet-B0, digunakan untuk membangun model klasifikasi sekaligus dianalisis performanya. Proses pelatihan memanfaatkan dataset Fruits-360 sebagai sumber pembelajaran awal fitur visual, kemudian dilakukan penyesuaian menggunakan dataset citra buah kelapa sawit yang mencakup tiga kelas tingkat kematangan, yaitu mentah, mengkal, dan matang. Sebelum pelatihan model dilakukan, seluruh citra diproses melalui tahap prapengolahan dan augmentasi untuk meningkatkan keragaman data serta mengurangi risiko overfitting Kemampuan model dalam melakukan klasifikasi dinilai berdasarkan nilai accuracy, precision, recall, dan F1-score yang diperoleh dari hasil pengujian. Hasil eksperimen menunjukkan bahwa kedua model mampu mengenali tingkat kematangan buah dengan baik. Namun demikian, EfficientNet-B0 menghasilkan performa yang lebih tinggi dengan nilai accuracy 92,31%, precision 92,86%, recall 92,86%, dan F1-score 92,20%. Sementara itu, MobileNetV3-Large memperoleh accuracy 79,49%, precision 82,94%, recall 80,30%, dan F1-score 79,58%. Temuan ini menunjukkan bahwa pendekatan transfer learning memiliki potensi yang kuat untuk mendukung pengembangan sistem identifikasi kematangan buah kelapa sawit secara otomatis, konsisten, dan efisien pada lingkungan perkebunan modern.]]>
