<![CDATA[Tingginya konsumsi cabai rawit menjadikannya komoditas dengan permintaan yang selalu tinggi, sehingga memiliki nilai ekonomi yang signifikan bagi para petani . Terlebih lagi, makanan khas Pulau Lombok seperti pelecing kangkung, ayam taliwang, dan bebalung sangat ditentukan cita rasanya oleh cabai sebagai salah satu bahan utama untuk bumbu. Permintaan cabai yang cenderung tinggi sepanjang tahun tanpa mengenal musim menciptakan tantangan dalam pengelolaan kualitas cabai di pasaran. Identifikasi kualitas buah cabai yang masih dilakukan secara visual oleh petani sering kali menghasilkan kesalahan dalam proses sortir yang dapat merugikan konsumen. Oleh karena itu, diperlukan penerapan teknologi computer vision untuk mengatasi masalah ini. Penelitian ini mengimplementasikan arsitektur CNN yaitu Lenet-5 dan MobileNet-V2. Lenet-5 memiliki kelebihan dalam kesederhanaan struktur dan kebutuhan komputasi yang rendah, sehingga cocok digunakan pada perangkat dengan sumber daya terbatas. MobileNet-V2 memiliki unggul dalam efisiensi parameter dan kinerja yang optimal untuk perangkat mobile atau aplikasi real-time. Hasil penelitian menunjukkan bahwa model arsitektur Lenet-5 menunjukkan performa lebih baik dengan accuracy 99%, precission 1.00, recall 1.00 dan F-1 Score 1.00, sedangkan model arsitektur MobileNet-V2 memiliki accuracy 100%, precission 1.00, recall 1.00 dan F-1 Score 0,95. Hal tersebut menunjukkan potensi computer vision berbasis CNN untuk meningkatkan akurasi dan efisiensi dalam klasifikasi tingkat kematangan buah cabai.]]>
Copyrights © 2025
