Penelitian ini menggunakan pendekatan Knowledge Discovery in Databases (KDD) yang meliputi tahap Data Selection, Data Preprocessing, Data Transformation, Data Mining, dan Pattern Evaluation. Dataset yang digunakan berasal dari Food Freshness Dataset dan Fresh_and_Rotten_Classification dengan total awal 3.600 citra, dua kelas utama yaitu Layak dan Tidak_Layak, serta 9 jenis buah. Setelah proses pembersihan data, 7 citra duplikat dipindahkan ke folder karantina sehingga data bersih yang digunakan berjumlah 3.593 citra. Proses pengolahan data meliputi resizing 224 × 224 piksel, batching, pembagian data 80:10:10, optimasi pipeline, dan augmentasi citra. Hasil evaluasi menunjukkan bahwa CNN memperoleh Accuracy sebesar 79,55%, precision macro 0,8240, recall macro 0,7946, F1-score macro 0,7905, dan AUC 0,9096. Sementara itu, EfficientNetB0 memperoleh Accuracy sebesar 98,30%, precision macr o0,9829, recall macro 0,9829, F1-score macro 0,9829, dan AUC 0,9983. Hasil confusion matrix menunjukkan bahwa CNN menghasilkan 72 kesalahan klasifikasi, sedangkan EfficientNetB0 hanya menghasilkan 6 kesalahan klasifikasi. Analisis stabilitas generalisasi, misclassification analysis, dan Grad- CAM menunjukkan bahwa EfficientNetB0 memiliki representasi fitur yang lebih baik dan lebih stabil dalam membedakan citra buah Layak dan Tidak_Layak. Dari sisi efisiensi, CNN lebih ringan dan lebih cepat, tetapi EfficientNetB0 memberikan performa klasifikasi yang lebih unggul. Dengan demikian, EfficientNetB0 lebih efektif digunakan untuk klasifikasi kelayakan buah berbasis citra digital pada Dataset dengan variasi visual tinggi.

S12726

INF 0248 2026

Bekasi

Tersedia