<![CDATA[Penilaian kualitas biji kedelai secara manual masih bergantung pada inspeksi visual manusia sehingga rentan terhadap subjektivitas, inkonsistensi, dan keterbatasan efisiensi ketika diterapkan pada volume data yang besar. Penelitian ini mengevaluasi penerapan arsitektur EfficientNet-B0 dan teknik augmentasi MixUp untuk klasifikasi fine-grained kualitas biji kedelai berbasis citra digital. Dataset yang digunakan terdiri atas 5.513 citra biji kedelai yang terbagi ke dalam lima kelas, yaitu broken soybeans, immature soybeans, intact soybeans, skin-damaged soybeans, dan spotted soybeans. Eksperimen dilakukan dalam dua skenario, yaitu EfficientNet-B0 sebagai model baseline dan EfficientNet-B0 dengan penerapan MixUp. Hasil pengujian menunjukkan bahwa model baseline memperoleh akurasi sebesar 91,85%, precision macro 91,87%, recall macro 91,76%, dan F1-score macro 91,80%. Sementara itu, model EfficientNet-B0 + MixUp memperoleh akurasi sebesar 91,67%, precision macro 91,60%, recall macro 91,58%, dan F1-score macro 91,55%. Hasil tersebut menunjukkan bahwa EfficientNet-B0 mampu mengklasifikasikan kualitas biji kedelai dengan performa tinggi, sedangkan penerapan MixUp belum memberikan peningkatan performa pada konfigurasi eksperimen ini. Temuan ini mengindikasikan bahwa augmentasi berbasis interpolasi perlu diterapkan secara selektif pada tugas fine-grained classification karena berpotensi mengaburkan fitur visual subtil yang menjadi pembeda antar kelas.]]>
Copyrights © 2026
