Banyak perekonomian negara sangat bergantung pada sektor pertanian. Pertanian cerdas, yang
mengintegrasikan kecerdasan buatan, menawarkan solusi inovatif untuk meningkatkan efisiensi
produksi. Klasifikasi manual kematangan pisang seringkali subjektif dan memakan banyak tenaga
kerja, menimbulkan tantangan dalam menjaga kualitas dan konsistensi selama proses pasca panen.
Studi ini mengusulkan sistem klasifikasi kematangan pisang otomatis menggunakan arsitektur deep
learning NASNetMobile yang diperkuat dengan Modul Perhatian Blok Konvolusional (CBAM).
Jaringan saraf konvolusional (CNN) yang ringan diimplementasikan untuk mengklasifikasikan pisang
ke dalam empat tahap kematangan: belum matang/hijau, hijau kekuningan, setengah matang, dan
terlalu matang, menggunakan dataset dunia nyata dengan teknik augmentasi data. Hasil eksperimen
menunjukkan bahwa model NASNetMobile+CBAM outperforms model dasar, mencapai akurasi
89,27%, presisi 89,27%, recall 87,56%, dan skor F1 87,67%. Integrasi CBAM secara efektif mengatasi
ketidakseimbangan kelas, terutama pada kategori sulit seperti Kelas B, dan meningkatkan akurasi dari
59,5% menjadi 70,6% pada epoch ke-100. Selain itu, CBAM berkontribusi pada stabilitas pembelajaran
yang lebih baik dan kemampuan generalisasi. Penelitian ini berkontribusi pada kemajuan pertanian
cerdas dengan memfasilitasi klasifikasi kematangan buah secara otomatis yang akurat dan efisien.