<![CDATA[Penilaian tingkat kematangan buah stroberi secara manual bersifat subjektif, memerlukan pengalaman, dan memakan waktu, sehingga dibutuhkan sistem klasifikasi otomatis yang akurat, transparan, serta mudah diakses. Penelitian ini mengembangkan sistem klasifikasi tingkat kematangan stroberi berbasis web dengan memanfaatkan Open Source Computer Vision Library (OpenCV) untuk pemrosesan citra dan Convolutional Neural Network berarsitektur EfficientNet-B0 melalui transfer learning dengan strategi partial fine-tuning. Dataset terdiri atas 677 citra stroberi yang diperoleh dari Kecamatan Sembalun, Kabupaten Lombok Timur, dan repositori publik, kemudian dikelompokkan ke dalam kelas “Dapat Dipetik” dan “Tidak Dapat Dipetik”. Data dibagi menggunakan stratified random sampling melalui tiga skenario rasio latih, validasi, dan uji, yaitu 80:10:10, 70:15:15, dan 60:20:20. Transparansi keputusan model diwujudkan melalui Gradient-weighted Class Activation Mapping (Grad-CAM) yang diproses bersama OpenCV untuk menghasilkan heatmap dan overlay. Sistem dikembangkan menggunakan FastAPI, dikemas melalui Docker, dan disebarkan pada Hugging Face Spaces. Hasil pengujian menunjukkan bahwa rasio 80:10:10 menghasilkan kinerja paling stabil dengan akurasi validasi akhir sebesar 97,79% dan F1-score rata-rata tertimbang sebesar 97,79%. Visualisasi Grad-CAM menunjukkan bahwa model berfokus pada tekstur dan pigmentasi buah, bukan pada latar belakang. Temuan ini menunjukkan bahwa integrasi EfficientNet-B0, Grad-CAM, OpenCV, dan layanan web mampu menyediakan klasifikasi kematangan stroberi yang akurat, dapat dijelaskan, responsif, dan berpotensi mendukung pengambilan keputusan panen.]]>
Copyrights © 2026
