<![CDATA[Penilaian mutu beras secara konvensional yang mengandalkan inspeksi visual kerap menghasilkan evaluasi subjektif, inkonsisten, serta memakan waktu lama. Untuk mengatasi kendala tersebut, penelitian ini bertujuan mengembangkan model komputasi cerdas berbasis web guna mengklasifikasikan kualitas beras secara otomatis dan praktis. Dataset yang digunakan dalam eksperimen terdiri atas 926 citra beras publik yang diekstraksi dari Roboflow Universe. Pendekatan penelitian memanfaatkan algoritma Convolutional Neural Network (CNN) berarsitektur MobileNetV2 yang dioptimasi menggunakan metode Transfer Learning dan Fine-Tuning. Tahapan utama pengembangan mencakup prapemrosesan citra, pelatihan model dengan differential learning rates, hingga integrasi sistem menggunakan kerangka kerja backend asinkron FastAPI. Hasil implementasi menunjukkan bahwa sistem sukses berjalan pada antarmuka web interaktif untuk membedakan kategori beras premium, medium, dan tidak layak tanpa kendala latensi komputasi. Pengujian model mencatatkan performa sangat superior dengan nilai akurasi dan metrik Weighted F1-Score yang mencapai 98,92%. Kesimpulannya, pemanfaatan arsitektur ringan MobileNetV2 terbukti efisien secara komputasi serta mumpuni memberikan solusi praktis bagi pelaku industri untuk melakukan kontrol kualitas beras secara objektif tanpa harus mengandalkan keahlian pakar.]]>
Copyrights © 2026
