<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>Pengembangan Aplikasi Prediksi Tingkat Kematangan Buah Manggis Menggunakan Hybrid Convolutional Neural Network</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Muhammad</mods:namePart><mods:namePart type="family">Asyrof</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Buah manggis (Garcinia mangostana L.) merupakan komoditas ekspor unggulan Indonesia yang memiliki nilai ekonomi tinggi. Namun, penentuan tingkat kematangannya masih dilakukan secara manual, mengandalkan pengamatan visual yang subjektif dan rentan terhadap kesalahan. Hal ini berdampak pada kualitas buah serta nilai jualnya, terutama untuk pasar ekspor yang memerlukan standar ketat. Untuk mengatasi permasalahan ini, penelitian ini mengusulkan pengembangan aplikasi berbasis web bernama Mangosteen Neural Ripeness yang memanfaatkan Hybrid Convolutional Neural Network (CNN) untuk memprediksi kematangan buah manggis secara akurat dan efisien. Aplikasi ini menggabungkan tiga arsitektur CNN terkemuka, yaitu InceptionV3, DenseNet201, dan ResNet50V2, untuk meningkatkan akurasi klasifikasi. Selain itu, model YOLOv8 diintegrasikan sebagai validasi objek guna memastikan hanya gambar buah manggis yang diproses. Metode pengembangan sistem menggunakan pendekatan Waterfall dengan tahapan analisis kebutuhan, desain, implementasi, pengujian, dan pemeliharaan. Dataset yang digunakan terdiri dari 1.681 gambar buah manggis dengan tiga kategori kematangan, yaitu matang (ripe), setengah matang (semi-ripe), dan belum matang (unripe). Hasil pengujian menunjukkan bahwa model Hybrid CNN mencapai nilai Area Under the Curve (AUC) yang sangat baik, yaitu 0,9938 untuk kategori ripe, 0,9108 untuk semi-ripe, dan 0,9303 untuk unripe mengkonfirmasi stabilitas model. Aplikasi juga memiliki antarmuka pengguna yang intuitif dan waktu pemrosesan rata-rata 2-3 detik. Meskipun demikian, tantangan utama terletak pada ketidakseimbangan dataset dan kesulitan membedakan kategori unripe dan semi ripe. Kesimpulannya, aplikasi ini berpotensi meningkatkan efisiensi dan akurasi penentuan kematangan buah manggis, serta dapat dikembangkan lebih lanjut dengan penambahan dataset dan pengujian lapangan.</mods:abstract><mods:classification authority="lcc">T Technology (General)</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8601">2025</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas Negeri Padang;Teknik Elektronika FT UNP</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>