KLASIFIKASI TINGKAT KEMATANGAN BUAH MANGGA MENGGUNAKAN TRANSFER LEARNING DENGAN EFFICIENTNET-B0

Buah mangga merupakan komoditas hortikultura bernilai ekonomi strategis di Indonesia, dengan mutu yang sangat ditentukan oleh tingkat kematangannya. Penyortiran tingkat kematangan masih banyak dilakukan secara manual melalui inspeksi visual sehingga rentan terhadap inkonsistensi. Selain itu, penelitian terdahulu umumnya berfokus pada akurasi tanpa mempertimbangkan efisiensi komputasi, sementara arsitektur CNN dasar belum menghasilkan representasi fitur yang cukup diskriminatif untuk membedakan kelas kematangan yang mirip. Penelitian ini menerapkan arsitektur EfficientNet-B0 dengan pendekatan transfer learning untuk mengklasifikasikan tingkat kematangan mangga ke dalam empat kelas. Model dilatih menggunakan dataset sebanyak 943 citra dan dievaluasi dari dua aspek sekaligus, yaitu akurasi klasifikasi dan efisiensi komputasi. CNN dasar digunakan sebagai baseline representasi fitur, sedangkan MobileNetV2 sebagai pembanding efisiensi. Hasil pengujian menunjukkan EfficientNet-B0 memperoleh akurasi 99,30%, lebih tinggi dibandingkan MobileNetV2 sebesar 97,90% maupun CNN dasar, dan tetap unggul pada kondisi data sangat terbatas. Meskipun kebutuhan komputasinya lebih tinggi dibandingkan MobileNetV2, EfficientNet-B0 tetap memberikan keseimbangan antara akurasi dan efisiensi komputasi, sehingga layak diterapkan pada sistem klasifikasi tingkat kematangan mangga.