<![CDATA[Identifikasi tingkat kematangan tomat secara manual untuk menjaga kualitas pasca panen seringkali bersifat subjektif, inkonsisten, dan rentan terhadap kesalahan manusia. Penelitian ini mengusulkan pendekatan Deep Learning menggunakan arsitektur Convolutional Neural Network (CNN) kustom untuk mengklasifikasikan kematangan tomat ke dalam empat kategori: mentah (unripe), matang (ripe), tua (old), dan rusak (damaged). Fokus utama penelitian adalah mengevaluasi efektivitas transformasi ruang warna Hue Saturation Intensity (HSI) dan Hue Saturation Value (HSV) dibandingkan ruang warna standar Red Green Blue (RGB) dalam mengatasi variasi pencahayaan dan kemiripan visual antar kelas. Dataset yang digunakan berjumlah total 7.466 citra, terdiri dari gabungan dataset publik dan dataset privat kondisi nyata, yang dibagi menjadi 90% data latih dan 10% data validasi. Berbeda dengan penelitian terdahulu yang banyak menggunakan model berat (transfer learning) atau fitur manual, penelitian ini membuktikan bahwa CNN sekuensial ringan dengan pra-pemrosesan HSI mampu mencapai kinerja optimal. Hasil eksperimen menunjukkan model berbasis HSI mencapai akurasi validasi tertinggi sebesar 96% dengan rata-rata F1-Score 0.96, mengungguli model HSV (94%) dan RGB (95%). Secara spesifik, ruang warna HSI terbukti lebih unggul dalam membedakan kategori visual yang ambigu seperti tomat tua dan tomat rusak, memberikan solusi klasifikasi otomatis yang lebih akurat dan robust untuk industri pertanian. Abstract Manual identification of tomato ripeness to maintain post-harvest quality is often subjective, inconsistent, and prone to human error. This study proposes a Deep Learning approach using a custom Convolutional Neural Network (CNN) architecture to classify tomato ripeness into four categories: unripe, ripe, old, and damaged. The primary focus is to evaluate the effectiveness of Hue Saturation Intensity (HSI) and Hue Saturation Value (HSV) color space transformations compared to standard RGB in overcoming lighting variations and visual similarities between classes. The dataset comprises 7,466 images, combining public datasets with real-world private datasets, split into 90% training and 10% validation data. Unlike previous studies relying on heavy transfer learning models or manual feature extraction, this research demonstrates that a lightweight sequential CNN with HSI preprocessing achieves optimal performance. Experimental results show that the HSI-based model attained the highest validation accuracy of 96% with an average F1-Score of 0.96, outperforming HSV (94%) and RGB (95%) models. Specifically, the HSI color space proved superior in distinguishing ambiguous visual categories such as old and damaged tomatoes, offering a more accurate and robust automated classification solution for the agricultural industry.]]>
Copyrights © 2026
