<![CDATA[Penentuan tingkat kematangan Tandan Buah Segar (TBS) kelapa sawit secara konvensional masih bergantung pada pengamatan visual manual yang bersifat subjektif dan rentan terhadap inkonsistensi, sehingga berpotensi menurunkan rendemen minyak. Penelitian ini bertujuan mengembangkan sistem klasifikasi kematangan buah sawit yang akurat, ringan, dan mampu beroperasi sepenuhnya secara offline pada perangkat mobile menggunakan implementasi MobileNetV2. Metode yang digunakan adalah transfer learning yang dioptimasi melalui teknik Post-Training Quantization ke dalam format TensorFlow Lite. Model dilatih menggunakan dataset citra lapangan dari Kalimantan Timur yang diperluas melalui augmentasi data dan diintegrasikan ke dalam aplikasi berbasis Flutter. Hasil pengujian menunjukkan model mampu mencapai akurasi 89,0%. Proses kuantisasi berhasil mereduksi ukuran model secara signifikan sebesar 84,6% (dari 13 MB menjadi 2 MB) dan menghasilkan latensi inferensi rata-rata 120 ms pada perangkat Android kelas menengah. Kesimpulan dari penelitian ini membuktikan bahwa integrasi model CNN ringan yang dikuantisasi merupakan solusi praktis dan efisien untuk mendukung penerapan pertanian cerdas di lingkungan dengan sumber daya terbatas.]]>
Copyrights © 2025
