Pemanfaatan Convolutional Neural Network (Cnn) Untuk Klasifikasi Jenis Beras Berbasis Citra
Abstrak
Beras merupakan makanan pokok untuk orang
Asia, terutama di Indonesia. Untuk melakukan pengolahan padi
menjadi beras, ada dua hal yang harus dilakukan yaitu dengan
cara tradisional seperti ditumbuk dan ada juga seperti cara
modern seperti penggilingan menggunakan mesin. Seperti yang
diketahui, banyak jenis beras yang telah beredar di pasaran.
Dengan adanya beragam jenis beras yang beredar, tentu juga
ada hal yang tidak bisa dilakukan oleh manusia dalam
mengklasifikasi jenis beras dengan mengandalkan indera
penghilatan saja. Maka dari itu, pengolahan citra digital dapat
berperan penting agar dapat memudahkan manusia untuk
mengklasifikasi jenis beras. Tujuan penelitian ini, untuk
mengklasifikasikan jenis beras dengan menggunakan metode
Convolutional Neural Network (CNN) arsitektur AlexNet
berbasis pengolahan citra. Adapun dataset yang digunakan
pada penelitian berjumlah 2500 citra yang bersumber dari
Kaggle, dimana ada lima jenis beras yang akan diklasifikasikan
yaitu beras arborio, beras basmati, beras ipsala, beras jasmine
dan beras karacadag. Pada penelitian ini parameter yang akan
dianalisis adalah akurasi, loss, presisi, recall, dan F1-Score. Di
tiap pengujian, akan dilakukan empat skenario pengujian
terhadap hyperparameter berupa input size, optimizer,
learning rate, batch size. Dari pengujian yang telah dilakukan
didapatkan hasil terbaik dengan citra asli menggunakan input
size 128×128, optimizer SGD, learning rate 0.0001, dan batch
size 32. Berdasarkan dari hasil pengujian tersebut, test accuracy
yang didapatkan sebesar 98.40% dengan testing loss 0.0659
Kata kunci— Jenis Beras, CNN, Deep Learning, AlexNet.
Referensi
N. Afifah and N. Zakiyah,
Glikemik Pada Berbagai Varietas Beras,= Farmaka, vol. 18,
no. 2, pp. 1–15, 2020.
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,
Citra Digital Jenis Beras Menggunakan Metode Anfis dan
Sobel,= J. Inform. Polinema, vol. 7, no. 2, pp. 123–128, 2021,
doi: 10.33795/jip.v7i2.406.
J. Jumi, U. T. Sulistyorini, and A. Azizah,
Jenis Beras Melalui Akurasi Kemiripan Fitur Bentuk Dan
Warna,= Just TI (Jurnal Sains Terap. Teknol. Informasi), vol.
, no. 1, p. 31, 2019, doi: 10.46964/justti.v11i1.128.
Badan Pusat Statistik Provinsi Jawa Tengah,
dan Produksi Padi di Indonesia 2021 (Angka Sementara),=
Ber. Resmi Stat., vol. 2021, no. 77, pp. 1–14, 2021.
K. Hori, K. Suzuki, K. Iijima, and K. Ebana,
in cooking and eating quality traits in Japanese rice
germplasm accessions,= Breed. Sci., vol. 66, no. 2, pp. 309–
, 2016, doi: 10.1270/jsbbs.66.309.
E. Wickert et al.,
Variety for Risotto,= Agric. Sci., vol. 09, no. 12, pp. 1589–
, 2018, doi: 10.4236/as.2018.912111.
L. T. Pangesthi, D. Kristiastuti, and R. D. Soeyono,
, 2021.
P. Bhattacharjee, R. S. Singhal, and P. R. Kulkarni,
no. 1, pp. 1–12, 2002, doi: 10.1046/j.1365-
2002.00541.x.
E. Y. Purwani and I. P. Wardana,
Fisiko kimia Varietas Beras Khusus untuk Pangan
Inovatif,= J. Penelit. Pertan. Tanam. Pangan, vol. 2, no. 3, p.
, 2019, doi: 10.21082/jpptp.v2n3.2018.p165-172.
M. Koklu, I. Cinar, and Y. S. Taspinar,
of rice varieties with deep learning methods,= Comput.
Electron. Agric., vol. 187, no. November 2020, p. 106285,
, doi: 10.1016/j.compag.2021.106285. [12] R. Nurfalah,
Dwiza Riana, and Anton,
Menggunakan Algoritma Multi-SVM Dan Neural Network
Pada Segmentasi K-Means,= J. RESTI (Rekayasa Sist. dan
Teknol. Informasi), vol. 5, no. 1, pp. 55–62, 2021, doi:
29207/resti.v5i1.2721.
S. Pitiphunpong, S. Champangern, and P. Suwannaporn,
detection using physico-chemical properties,= Chiang Mai J.
Sci., vol. 38, no. 1, pp. 105–115, 2011.
A. L. P. Aydin, S. Yesilmen, A. Vural, and H. S. Guran,
Ochratoxin-A level of Karacadag rice (Oryza sativa L.) in
Diyarbakir ecological conditions, Turkey,= African J. Agric.
Res., vol. 5, no. 15, pp. 1965–1972, 2010.
<( Cattle Wieght Estimation Based on Digital Image
With Fractal,= vol. 8, no. 2, pp. 1385–1393, 2021. [16] I. F.
Interpretasi,
O. N. Shpakov and G. V. Bogomolov,
activity of man and local sources of environmental
pollution,= Stud. Environ. Sci., vol. 17, no. C, pp. 329–332,
, doi: 10.1016/S0166-1116(08)71924-1.
S. E. Limantoro, Y. Kristian, and D. D. Purwanto,
Deteksi Pengendara Sepeda Motor,= J. Nas. Tek. Elektro dan
Teknol. Inf., vol. 7, no. 2, 2018, doi:
22146/jnteti.v7i2.419.
F. U. Adah and S. Rizal,
pada Citra Mikroskopis Hapusan Darah dengan Metode Deep
Learning,= vol. 9, no. 2, 2021.
Y. N. Fu’adah, N. C. Pratiwi, M. A. Pramudito, and N.
Ibrahim,
Automatic Skin Cancer Classification System,= IOP Conf.
Ser. Mater. Sci. Eng., vol. 982, no. 1, 2020, doi:
1088/1757- 899X/982/1/012005.
S. Ilahiyah and A. Nilogiri,
Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan
Citra Daun Menggunakan Convolutional Neural Network,=
JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 3, no.
, pp. 49–56, 2018.
P. Wulandari,
Serviks Menggunakan Metode Deep Residual Network,= p.
, 2019. [23] N. Kumalasari, C. Pratiwi, and Y. Nur,
Detection of Deforestation through Satellite Land Geospatial
Images based on CNN Architecture,= vol. 13, no. 2, 2021
