Electronic Theses and Dissertation

Klasifikasi otomatis jenis dan tingkat kematangan pisang secara simultan merupakan kebutuhan penting dalam mendukung sistem distribusi dan pengendalian mutu pascapanen. penelitian ini mengusulkan model klasifikasi multi-tugas berbasis arsitektur convolutional neural network (cnn) ringan dengan mengintegrasikan pendekatan hard parameter sharing, di mana mobilenetv3-large dan efficientnet- b0 digunakan sebagai backbone bersama yang dilengkapi dua classification head terpisah untuk memprediksi jenis dan tingkat kematangan secara bersamaan. pendekatan ini memungkinkan pembelajaran representasi fitur yang efisien tanpa peningkatan kompleksitas arsitektur yang berarti. untuk lebih meningkatkan kemampuan generalisasi model, metode semi-supervised fixmatch diintegrasikan ke dalam kerangka multi-tugas melalui mekanisme pseudo-labeling independen per tugas dan consistency regularization antara weak augmentation dan strong augmentation, sehingga model dapat memanfaatkan data tanpa label selama pelatihan tanpa mengubah struktur dasar arsitektur. hasil studi ablasi menunjukkan bahwa konfigurasi multi-tugas efficientnet-b0 mampu mencapai akurasi klasifikasi jenis sebesar 0,9924 dan kematangan sebesar 0,9695, hanya dengan 4,67 juta parameter dan waktu inferensi 30,93 ms per citra, dibandingkan dengan dua model tugas tunggal terpisah yang membutuhkan 9,33 juta parameter dan 108,29 ms untuk menghasilkan prediksi yang setara. integrasi fixmatch dengan hanya 50% data berlabel berhasil mempertahankan akurasi klasifikasi jenis sebesar 0,9898 dengan f1 score 0,9888, serta akurasi kematangan sebesar 0,9733 dengan f1 score 0,9732. lebih dari sekadar mempertahankan performa, model berbasis fixmatch menunjukkan keunggulan yang signifikan dalam hal ketahanan terhadap gangguan visual, dengan penurunan akurasi hanya sebesar 0,0178 pada klasifikasi jenis dan 0,0077 pada kematangan ketika diuji pada citra yang terdegradasi, jauh lebih rendah dibandingkan model supervised yang mengalami penurunan hingga 0,1031 dan 0,0840. temuan ini membuktikan bahwa kombinasi multi-task learning dan fixmatch pada arsitektur cnn ringan menghasilkan sistem klasifikasi yang akurat, efisien, dan robust, dengan potensi penerapan nyata pada perangkat bergerak di lingkungan pertanian. kata kunci : multi task learning, fixmatch, semi-supervised learning, klasifikasi pisang, cnn ringan

Simultaneous automatic classification of banana varieties and ripeness levels is a critical requirement for supporting postharvest distribution and quality control systems. This study proposes a multi-task classification model based on lightweight Convolutional Neural Network (CNN) architectures, integrating a hard parameter sharing approach in which MobileNetV3-Large and EfficientNet-B0 serve as a shared backbone equipped with two separate classification heads to simultaneously predict variety and ripeness. This design enables efficient shared feature representation learning without substantially increasing architectural complexity. To further enhance the model's generalization capability, the semi-supervised FixMatch method is integrated into the multi-task framework through independent per-task pseudo-labeling and consistency regularization between weak and strong augmentation, enabling the model to leverage unlabeled data during training without altering the fundamental architecture. Ablation study results demonstrate that the EfficientNet-B0 multi-task configuration achieves a variety classification accuracy of 0.9924 and ripeness accuracy of 0.9695, with only 4.67 million parameters and an inference time of 30.93 ms per image, compared to two separate single-task models requiring 9.33 million parameters and 108.29 ms to produce equivalent predictions. The integration of FixMatch with only 50% labeled data successfully maintains a variety classification accuracy of 0.9898 with an F1 Score of 0.9888, and a ripeness accuracy of 0.9733 with an F1 Score of 0.9732. Beyond preserving performance, the FixMatch-based model demonstrates a substantial advantage in robustness to visual disturbances, with accuracy drops of only 0.0178 for variety and 0.0077 for ripeness under degraded image conditions, far lower than the supervised model which experienced drops of 0.1031 and 0.0840, respectively. These findings demonstrate that combining multi-task learning and FixMatch on lightweight CNN architectures yields an accurate, efficient, and robust classification system with strong potential for real-world deployment on mobile devices in agricultural environments. Keywords : Multi Task Learning, FixMatch, Semi-Supervised Learning, Banana Classification, Lightweight CNN