<![CDATA[Penentuan kematangan buah yang akurat penting untuk meningkatkan kualitas panen dan efisiensi distribusi, namun praktik manual masih rentan terhadap subjektivitas. Penelitian ini membandingkan kinerja Convolutional Neural Network (CNN), MobileNetV2, dan EfficientNetB0 dalam memprediksi jumlah hari menuju kematangan buah Jaboticaba (Plinia cauliflora) berbasis citra RGB. Dataset diperoleh dari pengamatan lapangan dan diuji dalam dua skenario: 656 citra dan dataset hasil augmentasi sebanyak ±2.500 citra. Seluruh model dilatih dengan optimizer Adam dan dievaluasi menggunakan Mean Absolute Error (MAE). Pada dataset kecil, MobileNetV2 menunjukkan performa terbaik dengan MAE uji 1,54 hari, lebih baik dibanding CNN (3,41 hari) dan EfficientNetB0 (6,05 hari). Setelah jumlah data diperbesar, kinerja seluruh model meningkat, dengan MobileNetV2 tetap unggul (MAE 0,95 hari), diikuti EfficientNetB0 (1,30 hari) dan CNN (1,86 hari). Peningkatan terbesar terjadi pada EfficientNetB0, yang mengindikasikan bahwa model berkapasitas tinggi membutuhkan data lebih besar untuk belajar secara optimal. Hasil ini menegaskan bahwa ukuran dataset berpengaruh signifikan terhadap akurasi, serta bahwa MobileNetV2 memberikan keseimbangan terbaik antara ketepatan dan stabilitas]]>
Copyrights © 2026
