<![CDATA[Stroberi merupakan komoditas hortikultura dengan nilai ekonomis tinggi, namun penentuan tingkat kematangannya di tingkat petani masih banyak dilakukan secara manual berdasarkan pengamatan visual, sehingga rawan kesalahan klasifikasi dan memerlukan waktu yang tidak sedikit, terutama karena batas warna antara kategori mentah, setengah matang, dan matang kerap tumpang tindih. Penelitian ini bertujuan membangun dan mengevaluasi model klasifikasi tingkat kematangan buah stroberi ke dalam tiga kelas menggunakan arsitektur Convolutional Neural Network (CNN) VGG-16 dengan pendekatan transfer learning. Dataset yang digunakan berjumlah 1.087 citra digital yang dihimpun dari dua sumber terbuka pada platform Kaggle, kemudian melalui tahap praproses berupa resizing 224×224 piksel dan normalisasi, serta augmentasi data, sebelum dibagi menjadi 80% data latih dan 20% data uji. Model dilatih menggunakan bobot awal ImageNet pada platform Google Colaboratory dengan bahasa pemrograman Python. Kinerja model diukur melalui metrik akurasi, presisi, recall, dan F1-score berdasarkan confusion matrix pada data uji. Penelitian ini diarahkan untuk menguji dua hipotesis, yaitu kemampuan arsitektur VGG-16 dalam membangun sistem klasifikasi tiga kelas kematangan stroberi, serta pencapaian kinerja model dengan nilai akurasi minimal 80%. Hasil yang diharapkan dari penelitian ini adalah tersedianya model klasifikasi yang akurat dan efisien, sehingga dapat menjadi alternatif solusi bagi proses sortasi stroberi otomatis serta mendukung efisiensi pascapanen dan konsistensi mutu buah]]>
