Penentuan tingkat kematangan buah tomat secara manual oleh petani bersifat subjektif dan berisiko menimbulkan kesalahan. Oleh karena itu, diperlukan solusi otomatis yang lebih akurat dan efisien. Penelitian ini mengembangkan aplikasi klasifikasi kematangan buah tomat berbasis citra digital menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset yang digunakan terdiri dari 3.000 citra buah tomat yang dibagi ke dalam tiga kelas: mentah, setengah matang, dan matang. Proses pelatihan model dilakukan menggunakan pendekatan mesin learning untuk mempercepat waktu pelatihan dan meningkatkan akurasi. Pengembangan aplikasi menggunakan metode Rapid Application Development (RAD) dan diimplementasikan pada platform Android. Hasil pengujian menunjukkan bahwa model CNN yang digunakan mampu mengklasifikasikan tingkat kematangan tomat dengan akurasi sebesar 99% dan nilai F1 score sebesar 0,99, yang mencerminkan performa tinggi dalam membedakan ketiga kelas. Aplikasi ini dapat diterapkan secara langsung dalam praktik pertanian untuk membantu petani mengidentifikasi tingkat kematangan tomat secara cepat, akurat, dan konsisten. Dengan demikian, aplikasi ini berpotensi menjadi alat bantu yang mendukung pengambilan keputusan panen secara lebih objektif, serta mengurangi risiko kesalahan yang dapat menyebabkan kerugian.
Kata kunci: Klasifikasi kematangan tomat, citra digital, CNN, MobileNetV2.

Manual determination of tomato ripeness levels by farmers is often subjective and prone to errors. Therefore, an automated solution that is more accurate and efficient is needed. This study developed a tomato ripeness classification application based on digital images using a Convolutional Neural Network (CNN) algorithm with the MobileNetV2 architecture. The dataset used consists of 3,000 tomato images categorized into three classes: unripe, half-ripe, and fully ripe. The model training process employed a machine learning approach to accelerate training time and improve accuracy. The application was developed using the Rapid Application Development (RAD) method and implemented on the Android platform. Testing results showed that the CNN model successfully classified tomato ripeness levels with an accuracy of 99% and an F1 score of 0.99, indicating strong performance in distinguishing the three classes. This application can be practically applied in agricultural activities to assist farmers in identifying tomato ripeness levels quickly, accurately, and consistently. Consequently, it has the potential to become a technological tool that supports more objective and efficient harvest decision-making while minimizing the risk of errors that could lead to financial losses.
Keywords: Classification, tomato ripeness, digital image, CNN, MobileNetV2.