<![CDATA[Mutu pangan lokal memiliki peran penting dalam menjaga ketahanan pangan dan meningkatkan daya saing produk di pasar. Namun, penentuan mutu masih mengandalkan inspeksi visual manual yang bersifat subjektif dan tidak konsisten, sehingga berpotensi menimbulkan kerugian pascapanen serta menurunkan kepercayaan konsumen. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi mutu pangan berbasis citra digital dengan memanfaatkan arsitektur deep learning EfficientNetV2B0 melalui pendekatan transfer learning. Dataset yang digunakan mencakup delapan kelas dari empat komoditas utama, yaitu apel, pisang, tomat, dan pare dalam kondisi segar dan tidak segar. Seluruh citra diproses melalui tahap prapengolahan berupa pengubahan ukuran dan normalisasi, serta dilakukan augmentasi data untuk meningkatkan variasi dan mencegah overfitting. Model dilatih dengan konfigurasi ringan dan dievaluasi menggunakan akurasi, presisi, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi keseluruhan sebesar 99.8 persen dengan nilai presisi, recall, dan F1-score mendekati sempurna pada hampir semua kelas. Temuan ini membuktikan bahwa penerapan transfer learning dan augmentasi data efektif dalam membedakan pangan segar dan tidak segar berdasarkan citra digital. Secara praktis, sistem ini berpotensi mendukung petani dan pelaku usaha kecil menengah dalam melakukan inspeksi mutu yang lebih objektif, efisien, dan konsisten.]]>
Copyrights © 2025
