<![CDATA[Abstrak— Indonesia, sebagai negara agraris beriklim tropis, memproduksi buah dalam skala besar. Namun, sekitar 40–50% komoditas buah segar mengalami kerusakan sebelum mencapai konsumen akhir. Tingginya angka susut hasil ini utamanya disebabkan oleh proses penilaian kualitas dan tingkat kematangan yang masih dilakukan secara manual dan subjektif. Kesalahan dalam identifikasi fase fisiologis buah berdampak langsung pada kerugian ekonomi dan penurunan kualitas asupan gizi masyarakat. Penelitian ini bertujuan untuk menganalisis performa arsitektur Convolutional Neural Network (CNN), secara spesifik varian EfficientNet (B0–B7), dalam mengklasifikasikan kelayakan konsumsi lima jenis buah tropis ke dalam 15 kelas secara serentak (single-stage classification). Metodologi penelitian mengadopsi standar CRISP-DM, memanfaatkan himpunan data sebanyak 14.875 citra yang dikumpulkan melalui web scraping dan pengambilan foto mandiri, serta dianotasi secara otomatis menggunakan model CLIP. Hasil komparasi dan evaluasi menunjukkan bahwa EfficientNet-B4 merupakan arsitektur paling optimal. Melalui tahap hyperparameter tuning dengan optimizer Adam, batch size 32, dan learning rate 0,001, model ini berhasil mencapai akurasi sebesar 82,29% pada pengujian 10-Fold Cross Validation. Model terbaik tersebut kemudian diimplementasikan ke dalam aplikasi berbasis web menggunakan Flask. Sistem ini dilengkapi dengan mekanisme guardrail berupa ambang batas tingkat kepercayaan (confidence threshold) sebesar 70% untuk mencegah luaran prediksi yang tidak meyakinkan, sehingga mampu menjadi solusi yang objektif dan otomatis dalam penilaian kualitas pascapanen buah tropis. Kata Kunci— klasifikasi citra, buah tropis, EfficientNet, Convolutional Neural Network, kelayakan konsumsi, CRISP-DM, single-stage classification.]]>
