Pisang (musa spp.) merupakan salah satu jenis buah yang tingkat produksinya selalu meningkat di setiap tahunnya, terutama di Indonesia. Hal ini dikarenakan pisang memiliki kandungan nutrisi yang berbeda di setiap kematangannya, sehingga dapat dikonsumsi oleh semua tingkatan usia sesuai kebutuhan nutrisinya. Namun, kebanyakan orang sulit menentukan kematangan pisang yang sesuai dengan kebutuhan nutrisi mereka karena memerlukan uji laboratorium yang memakan waktu dan peralatan canggih. Sebelumnya, telah dilakukan penelitian mengenai klasifikasi kematangan buah pisang, namun belum ada yang berfokus pada klasifikasi kandungan nutrisinya. Selain itu, diperlukan penambahan fitur lain guna meningkatkan akurasi klasifikasi. Oleh karena itu, penelitian ini mengusulkan sistem klasifikasi kandungan nutrisi buah pisang berdasarkan fitur tekstur dan warna LAB menggunakan jaringan syaraf tiruan berbasis pengolahan citra digital. Metode yang diusulkan tersebut terdiri atas enam tahap, diantaranya yaitu tahap akuisisi citra, preprocessing, segmentasi, morfologi, ekstraksi fitur, dan klasifikasi berdasarkan model yang telah dilatih. Selain itu, berbagai skenario pelatihan dan pengujian dilakukan untuk menemukan gabungan fitur yang memperoleh tingkat akurasi optimal, sehingga didapatkan dua kombinasi fitur terbaik yaitu fitur warna LAB dan fitur tekstur dimana yang diambil adalah nilai contrast dan energy. Berdasarkan hasil pengujian terhadap 100 citra uji, diperoleh rata-rata precision 98,18%, recall 98%, F1-Score 98,09% dan akurasi keseluruhan mencapai 98%. Berdasarkan hasil tersebut maka dapat disimpulkan bahwa metode yang diusulkan mampu mengklasifikasikan kandungan nutrisi buah pisang dengan tingkat akurasi yang tinggi. Abstract Bananas (Musa spp.) are a type of fruit whose production levels always increase every year, especially in Indonesia. This is because bananas have different nutritional content at each ripeness, so they are safe for consumption by all age levels according to their nutritional needs. However, most people have difficulty determining the ripeness of bananas according to their nutritional needs because they need to carry out laboratory tests which take time and require sophisticated equipment. Previously, there was research that had classified the ripeness of bananas. However, no one has focused on classifying nutritional content, and it is necessary to add other measurement parameters to get more accurate classification results. Therefore, in this research a classification system for the nutritional content of bananas based on LAB texture and color features is proposed using artificial neural networks based on digital image processing. The proposed method consists of six stages, including image acquisition, preprocessing, segmentation, morphology, feature extraction and classification based on the trained model. Several training and testing scenarios were carried out to determine the feature combination that had the best level of accuracy. Based on the test results, two best feature combinations were obtained, namely texture features (contrast and energy) and LAB color. Based on the test results of 100 test images, the average precision is 98.18%, recall is 98%, F1-Score is 98.09%, and overall accuracy reaches 98%. Based on these results, it can be concluded that the proposed method can classify the nutritional content of banana fruit with high accuracy.