Claim Missing Document
Check
Articles

Penerapan CNN Berbasis Arsitektur ResNet-50 untuk Klasifikasi Citra Beras Organik dan Anorganik Muzhaffar, Rafi; Suharjo, Imam
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1117

Abstract

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.