Tomato Ripeness Classification Using Transfer Learning Approach with ResNet50 CNN Model

Tomat merupakan komoditas hortikultura bernilai ekonomi tinggi dengan permintaan pasar yang luas, baik domestik maupun internasional. Salah satu tantangan utama dalam distribusinya adalah menjaga kualitas produk, khususnya tingkat kematangan buah. Penilaian kematangan yang akurat sangat penting karena berdampak pada masa simpan, cita rasa, dan kelayakan konsumsi. Namun, metode konvensional yang mengandalkan pengamatan visual manusia cenderung subjektif, memerlukan banyak tenaga kerja, dan kurang efisien dalam skala besar. Penelitian ini bertujuan mengembangkan sistem klasifikasi tingkat kematangan tomat menggunakan pendekatan transfer learning dengan arsitektur ResNet50. Dataset terdiri atas 2.400 citra yang terbagi ke dalam tiga kelas matang (ripe), belum matang (unripe), dan tidak layak konsumsi (reject). Model dilatih menggunakan teknik fine-tuning pada sepuluh lapisan terakhir dari ResNet50, dioptimalkan dengan algoritma Adam dan learning rate sebesar 0,00001. Hasil evaluasi menunjukkan akurasi validasi rata-rata sebesar 98,08% dengan nilai precision, recall, dan F1-score yang tinggi di semua kelas. Model yang telah dilatih kemudian diimplementasikan dalam aplikasi berbasis web menggunakan kerangka kerja streamlit, yang memungkinkan pengguna mengunggah citra tomat dan memperoleh hasil klasifikasi secara instan melalui antarmuka yang sederhana dan mudah digunakan. Dengan tingkat akurasi yang tinggi serta kemudahan akses, sistem ini berpotensi menjadi solusi praktis untuk mendukung digitalisasi proses penyortiran tomat serta mendorong pemanfaatan teknologi kecerdasan buatan di sektor pertanian.