Penerapan CNN Berbasis Arsitektur ResNet-50 untuk Klasifikasi Citra Beras Organik dan Anorganik

Rafi Muzhaffar; Imam Suharjo

doi:10.55382/jurnalpustakadata.v5i2.1117

Penulis

Rafi Muzhaffar Universitas Mercu Buana Yogyakarta
Imam Suharjo Universitas Mercu Buana Yogyakarta

DOI:

https://doi.org/10.55382/jurnalpustakadata.v5i2.1117

Kata Kunci:

Beras Organik, Beras Anorganik, CNN, ResNet-50, Klasifikasi Citra

Abstrak

Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk membedakan beras organik dan anorganik yang secara visual sulit dibedakan oleh mata manusia. Beras merupakan bahan pangan pokok utama masyarakat Indonesia, dengan varian organik dan anorganik yang kini banyak beredar di pasaran. Namun, secara visual keduanya sulit dibedakan karena memiliki bentuk dan warna yang serupa. Perbedaan karakteristik yang tidak tampak secara kasat mata mendorong perlunya pendekatan berbasis teknologi untuk mengidentifikasi jenis beras secara objektif dan akurat. Penelitian ini memanfaatkan teknik pengolahan citra digital dan algoritma deep learning dengan arsitektur Convolutional Neural Network (CNN) berbasis ResNet-50 untuk mengklasifikasikan citra mikroskopik beras organik dan anorganik. Dataset terdiri dari 1.000 citra hasil tangkapan mikroskop digital dengan resolusi 640×480 piksel, yang melalui proses cropping, resize, dan augmentasi untuk meningkatkan generalisasi model. Data kemudian dibagi ke dalam subset training, validasi, dan testing dengan rasio 70:15:15. Model ResNet-50 dimodifikasi pada lapisan classifier dengan multilayer perceptron dan dilatih menggunakan transfer learning. Evaluasi dilakukan menggunakan confusion matrix, classification report, serta visualisasi grafik training loss dan accuracy. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan beras dengan akurasi sebesar 96,67%, serta nilai precision, recall, dan F1-score yang tinggi dan seimbang pada kedua kelas. Temuan ini membuktikan bahwa pendekatan CNN dengan arsitektur ResNet-50 efektif digunakan untuk mengidentifikasi perbedaan visual antara beras organik dan anorganik secara otomatis, dan berpotensi diterapkan sebagai sistem bantu klasifikasi berbasis citra dalam industri pertanian serta laboratorium pengujian mutu pangan.

Unduhan

Data unduhan belum tersedia.

Referensi

E. Suprapto, M. W. Ardhi, and D. Apriandi, “Peningkatan Ekonomi Melalui Penerapan Sistem Padi Organik Di Desa Pojok, Kwadungan, Ngawi,” Stud. Kasus Inov. Ekon., vol. 6, no. 01, pp. 37–42, 2022, doi: 10.22219/skie.v6i01.20301.

Y. Zamrodah, “FAKTOR-FAKTOR YANG MEMPENGARUHI KONSUMEN TERHADAP PEMBELIAN BERAS ORGANIK (Studi kasus di Kecamatan Selopuro Kabupaten Blitar),” VIABEL J. Ilm. Ilmu-Ilmu Pertan., vol. 15, no. 2, pp. 49–57, 2021, doi: 10.35457/viabel.v15i2.1771.

A. Aulia Martina, D. Dulbari, J. Kartahadimaja, and S. Subarjo, “Kualitas Beras dan Kandungan Gizi Tiga Genotipe Padi yang Dibudidayakan secara Organik dan Non Organik,” J-Plantasimbiosa, vol. 6, no. 1, pp. 38–52, 2024, doi: 10.25181/jplantasimbiosa.v6i1.3512.

E. Sari et al., “SOSIALISASI LITERASI PRODUCT QUALITY BERAS ORGANIK DI RPTRA KELURAHAN PAPANGGO KECAMATAN TANJUNG PRIOK,” vol. 6, no. 1, pp. 2023–2026, 2025.

A. Kamil, E. Dasipah, K. KS, D. Sukmawati, and A. Dahtiar, “FAKTOR YANG MEMPENGARUHI KEPUTUSAN PETANI DALAM MENERAPKAN TEKNOLOGI USAHATANI PADI ORGANIK DAN DAMPAKNYA TERHADAP PRODUKTIVITAS DAN PENDAPATAN (Kasus Pada Petani di Kecamatan Cibeber, Kabupaten Cianjur),” Mimb. Agribisnis J. Pemikir. Masy. Ilm. Berwawasan Agribisnis, vol. 9, no. 1, p. 1382, 2023, doi: 10.25157/ma.v9i1.9562.

I. A. Made, D. Susanti, N. P. Sukanteri, I. Made Budiasa, and K. Jaiman, “Persepsi Konsumen terhadap Beras Organik Mentik Susu,” J. Agribisnis, vol. 25, no. 1, pp. 62–73, 2023, [Online]. Available: https://doi.org/10.31849/agr.v25i1.13119

A. Prasetyo, T. Supriyadi, and A. T. Suryaningsih, “Kepuasan Konsumen Muda Terhadap Desain Kemasan Beras Organik Di Indonesia,” Agrisaintifika J. Ilmu-Ilmu Pertan., vol. 7, no. 2, pp. 205–211, 2023, doi: 10.32585/ags.v7i2.4298.

S. Tegar Prabowo and W. Hadikurniawati, “Deteksi Dan Pengenalan Jenis Beras Menggunakan Metode Convolutional Neural Network,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 163–167, 2023, doi: 10.36040/jati.v7i1.6150.

R. Ardiansyah and E. Itje Sela, “Implementasi Convolutional Neural Network Untuk Klasifikasi Jenis Beras Berdasarkan Citra Digital,” Indones. J. Comput. Sci., vol. 12, no. 6, pp. 4172–4182, 2023, doi: 10.33022/ijcs.v12i6.3520.

R. Nurfalah, Dwiza Riana, and Anton, “Identifikasi Citra Beras 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: 10.29207/resti.v5i1.2721.

MUH ZAINAL ALTIM, FAISAL, SALMIAH, KASMAN, ANDI YUDHISTIRA, and RITA AMALIA SYAMSU, “Pengklasifikasi Beras Menggunakan Metode Cnn (Convolutional Neural Network),” J. INSTEK (Informatika Sains dan Teknol., vol. 7, no. 1, pp. 151–155, 2022, doi: 10.24252/instek.v7i1.28922.

U. Kulsum and A. Cherid, “Penerapan Convolutional Neural Network Pada Klasifikasi Tanaman Menggunakan ResNet50,” Simkom, vol. 8, no. 2, pp. 221–228, 2023, doi: 10.51717/simkom.v8i2.191.

E. Oktafanda, “Klasifikasi Citra Kualitas Bibit dalam Meningkatkan Produksi Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN),” J. Inform. Ekon. Bisnis, vol. 4, no. 3, pp. 72–77, 2022, doi: 10.37034/infeb.v4i3.143.

J. P. Wiastopo and I. Imelda, “Deteksi Kesegaran Ikan Kembung dengan Metode KNN Berdasarkan Fitur GLCM dan RGB-HSV,” vol. 13, no. September, pp. 10–16, 2024.

N. L. Utami, A. Nazir, E. Budianita, and F. Insani, “Jurnal Computer Science and Information Technology ( CoSciTech ) algoritma apriori,” vol. 5, no. 1, pp. 75–83, 2024.

J. A. Figo, N. Yudistira, and A. W. Widodo, “Deteksi Covid-19 dari Citra X-ray menggunakan Vision Transformer,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, pp. 1116–1125, 2023, [Online]. Available: https://j-ptiik.ub.ac.id

C. Nisa and F. Candra, “Klasifikasi Jenis Rempah-Rempah Menggunakan Algoritma Convolutional Neural Network,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 78–84, 2023, doi: 10.57152/malcom.v4i1.1018.

T. Berliani, E. Rahardja, and L. Septiana, “Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16,” J. Med. Heal., vol. 5, no. 2, pp. 123–135, 2023, doi: 10.28932/jmh.v5i2.6116.

D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021.

G. Rininda, I. Hartami Santi, and S. Kirom, “Penerapan Svm Dalam Analisis Sentimen Pada Edlink Menggunakan Pengujian Confusion Matrix,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 5, pp. 3335–3342, 2024, doi: 10.36040/jati.v7i5.7420.