<![CDATA[Tomat merupakan komoditas penting dalam sektor pertanian, yang kualitasnya ditentukan oleh tingkat kematangan. Penilaian kematangan secara manual sering kali bersifat subjektif dan kurang konsisten dalam skala besar, sehingga diperlukan sistem klasifikasi otomatis berbasis citra. Penelitian ini mengusulkan penggunaan arsitektur DenseNet-121 untuk mengklasifikasikan tingkat kematangan buah tomat menjadi tiga kelas: matang, setengah matang, dan mentah. Dataset yang digunakan berjumlah 600 citra yang diambil dari data publik Kaggle dan data primer. Hasil pelatihan menunjukkan peningkatan akurasi signifikan dari 65,26% menjadi 100% dalam 10 epoch, dengan nilai loss akhir 0,0016. Evaluasi menunjukkan akurasi 99%, serta precision, recall, dan F1-score sebesar 0,99 untuk semua kelas. Hasil ini membuktikan bahwa DenseNet121lebih unggul mengidentifikasi karakteristik visual objek dalam sistem klasifikasi citra berbasis machine learning.]]>
Copyrights © 2025
