Ringkasan

Dasbor TomatoDex

Klasifikasi kematangan tomat berbasis CNN menggunakan transfer learning InceptionResNetV2 dari ImageNet. Mengklasifikasikan tomat menjadi Matang, Mentah, atau Tidak Layak dalam kondisi pencahayaan nyata.

Akurasi Pengujian

85,9%

375 sampel uji

Epoch Pelatihan

Batch size 32

Akurasi Latih

91,7%

Epoch 50 / 50

Akurasi Validasi

90,4%

Epoch 50 / 50

Arsitektur Model

Arsitektur	InceptionResNetV2
Model Dasar	InceptionResNetV2 (ImageNet)
Ukuran Input	224 × 224 × 3
Total Parameter	55,9 Juta
Parameter Dilatih	1,58 Juta (basis dibekukan)
Optimizer	Adam lr = 0.0001
Fungsi Kerugian	Categorical Cross-Entropy

Performa per Kelas

F1 · Presisi · Recall pada data uji

Matang(Ripe)

85.5%

P 83.6%R 87.6%n = 169

Mentah(Unripe)

79.4%

P 81.0%R 77.9%n = 131

Tidak Layak(Unfit)

98.0%

P 100.0%R 96.0%n = 75

Rata-rata Makro F1

87.6%

F1 Berbobot

85.9%

Ringkasan Dataset

Kaggle – nexuswho/tomatofruits

1.125

Matang

Ripe · 45%

875

Mentah

Unripe · 35%

500

Tidak Layak

Unfit · 20%

Latih: 1.750 (70%)Validasi: 375 (15%)Uji: 375 (15%)Total: 2.500

Jelajahi

Dataset

Distribusi kelas, pipeline augmentasi, dan pembagian dataset.

Deteksi AI

Unggah atau ambil foto tomat untuk mengklasifikasi tingkat kematangannya.

Visualisasi Model

Grafik riwayat pelatihan dan rincian arsitektur lapisan model.

Hasil Pengujian

Confusion matrix, F1 per kelas, dan laporan klasifikasi.