Klasifikasi Jenis Beras Berbasis Citra Dengan Menggunakan Deep Learning
Abstrak
Beras merupakan salah satu bahan pangan serealia
yang paling banyak dikonsumsi oleh masyarakat Asia,
termasuk di Indonesia. Setiap beras memiliki kemiripan
bentuk bulir dan warna yang relatif hampir sama, sehingga
proses mengidentifikasi jenis beras secara visual dinilai masih
cukup sulit, dan untuk mengurangi kemungkinan terjadinya
human error. Oleh karena itu, pengolahan citra digital dapat
digunakan dalam melakukan klasifikasi jenis beras
menggunakan metode Convolutional Neural Network (CNN)
dengan arsitektur Residual Network (ResNet-50).
Dataset yang digunakan dalam penelitian ini berjumlah 2500
citra yang diperoleh dari website Kaggle, berupa citra bulir
beras putih yang terdiri dari 5 kelas yaitu Arborio, Basmati,
Ipsala, Jasmine, dan Karacadag. Tahapan diawali dengan
melakukan preprocessing yaitu resize ukuran citra dan
normalisasi citra, lalu dilakukan pembagian dataset sebagai
data latih dan data uji. kemudian selanjutnya dilakukan
ekstraksi ciri dan klasifikasi menggunakan kombinasi
hyperparameter input size, optimizer, learning rate, dan
batch size untuk mendapatkan hasil model terbaik.
Kemudian di tahap akhir hasil akan dianalisis dengan
parameter akurasi dan loss.
Melalui penelitian ini diperoleh hasil akhir pengujian terbaik
pada penggunaan parameter input size 64×64 piksel,
optimizer Adam, learning rate 0,001, dan batch size 64,
dengan hasil validation accuracy sebesar 98,20% dan loss
0,1109.
Kata Kunci: jenis beras, CNN, ResNet-50.
Referensi
B. E. Sawe,
www.WorldAtlas.com, 2019.
https://www.worldatlas.com/articles/top-10-rice-consumingcounties.
html (accessed Jun. 27, 2022).
D. G. Patria, Sukamto, and Sumarji, Rice Science
and Technology (Ilmu dan Teknologi Beras), vol. 53, no. 7.
Faiz Nashrullah, Suryo Adhi Wibowo, and Gelar
Budiman,
ResNet-50 Untuk Klasifikasi Pornografi,= Journal of
Computer, Electronic, and Telecommunication, vol. 1, no. 1,
pp. 1-8, 2020, doi: 10.52435/complete.v1i1.51.
S. Saidah, M. B. Adinegara, R. Magdalena, N.
Kumalasari, C. Pratiwi, and F. T. Elektro,
Kualitas Beras Menggunakan Metode k-Nearest Neighbor
dan Support Vector Machine Rice Quality Identification
using k-Nearest Neighbor and Support Vector Machine
Method,= TELKA, vol. 5, no. 2, pp. 114-121, 2019.
Gansar Suwanto, R. Ibnu Adam, and Garno,
Anfis dan Sobel,= Jurnal Informatika Polinema, vol. 7, no. 2,
pp. 123-128, 2021, doi: 10.33795/jip.v7i2.406.
M. Koklu, I. Cinar, and Y. S. Taspinar,
Methods,= Comput Electron Agric, vol. 187, no. June, p.
, 2021, doi: 10.1016/j.compag.2021.106285.
I. P. Putra, R. Rusbandi, and D. Alamsyah,
Convolutional Neural Network,= Jurnal Algoritme, vol. 2,
no. 2, pp. 102-112, 2022, doi: 10.35957/algoritme.v2i2.2360.
D. Putra, Pengolahan Citra Digital. Yogyakarta:
Andi, 2010. [Online]. Available:
https://books.google.co.id/books?id=NectMutqXJAC&print
sec=frontcover#v=onepage&q&f=false
N. K. C. Pratiwi, N. Ibrahim, Y. N. Fu'Adah, and S.
Rizal,
Hapusan Darah dengan Metode Deep Learning,=
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik
Telekomunikasi, & Teknik Elektronika, vol. 9, no. 2, p. 306,
Apr. 2021, doi: 10.26760/elkomika.v9i2.306.
N. A. Batubara and R. M. Awangga, Tutorial Object
Detection Plate Number With Convolution Neural Network
(CNN). Bandung: Kreatif Industri Nusantara, 2020.
K. He, X. Zhang, S. Ren, and J. Sun,
learning for image recognition,= Proceedings of the IEEE
Computer Society Conference on Computer Vision and
Pattern Recognition, vol. 2016-Decem, pp. 770-778, 2016,
doi: 10.1109/CVPR.2016.90.
K. H. Mahmud, Adiwijaya, and S. al Faraby,
Neural Network,= e-Proceeding of Engineering, vol. 6, no. 1,
pp. 2127-2136, 2019.
R. Erwandi and S. Suyanto,
Payudara Menggunakan Residual Neural Network,=
Indonesia Journal on Computing (Indo-JC), vol. 5, no. 1, pp.
-52, 2020, doi: 10.21108/indojc.2020.5.1.373.
Sandhopi, Lukman Zaman P.C.S.W, and Yosi
Kristian,
Memanfaatkan Convolutional Neural Network,= Jurnal
Nasional Teknik Elektro dan Teknologi Informasi, vol. 9, no.
, pp. 403-413, 2020, doi: 10.22146/jnteti.v9i4.541.
M. Koklu,
https://www.kaggle.com/datasets/muratkokludataset/riceimage-
dataset (accessed Apr. 22, 2022).
N. K. C. Pratiwi, Y. N. Fu'adah, and E. Edwar,
Geospatial Images based on CNN Architecture,= JURNAL
INFOTEL, vol. 13, no. 2, pp. 54-62, May 2021, doi:
20895/infotel.v13i2.642