<![CDATA[Penentuan tingkat kematangan buah salak secara manual masih mengandalkan pengamatan visual berdasarkan warna, tekstur, dan bentuk buah sehingga bersifat subjektif dan berpotensi menghasilkan penilaian yang berbeda. Penelitian ini bertujuan membangun sistem deteksi tingkat kematangan buah salak berbasis web menggunakan metode hybrid Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 sebagai feature extractor dan K-Nearest Neighbor (KNN) sebagai classifier. Dataset yang digunakan berjumlah 1.200 citra yang terbagi ke dalam tiga kelas, yaitu matang, setengah matang, dan mentah. Sebelum proses pelatihan, citra melalui tahap preprocessing berupa resize, normalisasi, dan online data augmentation. Selanjutnya MobileNetV2 digunakan untuk mengektraksi fitur, sedangkan KNN dengan nilai parameter terbaik K=3 digunakan untuk proses klasifikasi. Hasil pengujian menunjukan bahwa model hybrid CNN dengan arsitektur MobileNetV2 dan KNN memperoleh akurasi sebesar 94% dengan nilai precision, recall, dan F1-score yang tinggi pada setiap kelas. Pengujian sistem berdasarkan karakteristik funcional suitability dan reliability pada standar ISO/IEC 25010 menunjukan bahwa seluruh fungsi sistem berjalan sesuai kebutuhan serta mempu beroperasi secara konsisten selama pengujian. Berdasarkan hasil tersebut, sistem yang dikembangkan mampu mendeteksi tingkat kematangan buah salak secara akurat, objektif, dan dapat diimplementasikan sebagai media bantu identifikasi kematangan buah salak berbasis web.]]>
Copyrights © 2026
