Keywords
deep learning
MobileNetV2
pengolahan citra
How to Cite
Abstract
Beras merupakan makanan pokok utama bagi sebagian besar masyarakat Indonesia. Kualitas beras, termasuk usia penyimpanannya, memengaruhi nilai gizi dan preferensi konsumen. Penelitian ini bertujuan untuk mengklasifikasikan usia penyimpanan beras yaitu beras baru, sedang, dan lama berdasarkan citra visual butiran beras menggunakan metode deep learning dengan arsitektur MobileNetV2. Proses penelitian mengikuti pendekatan Waterfall yang meliputi tahapan pengumpulan sampel, pengambilan gambar, preprocessing, ekstraksi fitur, pelatihan model, dan evaluasi. Dataset terdiri dari 2.500 citra beras yang telah melalui proses deteksi tepi dan normalisasi untuk meningkatkan kualitas input model. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan usia beras dengan tingkat akurasi tinggi, mencapai hingga 99%. Temuan ini menunjukkan bahwa penerapan teknologi deep learning berbasis citra visual dapat menjadi solusi praktis dan efisien untuk membantu proses identifikasi kualitas beras secara otomatis.
References
[1] E. Hernawan and V. Meylani, “Analisis Karakteristik Fisikokimia Beras Putih, Beras Merah, dan Beras Hitam,” J. karakteristik beras, vol. 15, no. 1, pp. 79–91, 2016.
[2] A. A. Nurcahyani and R. Saptono, “Identifikasi Kualitas Beras dengan Citra Digital,” Sci. J. Informatics, vol. 2, no. 1, pp. 63–72, 2016, doi: 10.15294/sji.v2i1.4530.
[3] 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.
[4] N. Hidayati, “Penggunaan Metode Waterfall Dalam Rancang Bangun Sistem Informasi Penjualan,” Gener. J., vol. 3, no. 1, pp. 1–10, 2019, [Online]. Available: https://ojs.unpkediri.ac.id/index.php/gj/article/view/12642
[5] I. M. Hamdani1 et al., “INTISARI Jurnal Inovasi Pengabdian Masyarakat Edukasi dan Pelatihan Data Science dan Data Preprocessing,” Juni, vol. 2, no. 1, pp. 19–26, 2024, doi: 10.58227/intisari.v2i1.125.
[6] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “Mobilenetv2: Inverted residuals and linear bottlenecks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 4510–4520.
[7] S. Ani, M. Furqan, and R. S. TP. Bolon, “Deteksi Tepi Pola Tulisan Arab Menggunakan Metode Canny pada Nisan Kuno di Sumatera Utara,” J-SISKO TECH (Jurnal Teknol. Sist. Inf. dan Sist. Komput. TGD), vol. 6, no. 1, p. 86, 2023, doi: 10.53513/jsk.v6i1.7385.
[8] N. Arief, W. Putra, D. Septhian, and D. Pratama, “Implementasi Cnn Arsitektur Mobilenetv2 Untuk Klasifikasi Tulisan Aksara Jawa,” Pros. Semin. Nas. Teknol. dan Sains , vol. 3, pp. 298–303, 2024.
[9] Heliyanti Susana, “Penerapan Model Klasifikasi Metode Naive Bayes Terhadap Penggunaan Akses Internet,” J. Ris. Sist. Inf. dan Teknol. Inf., vol. 4, no. 1, pp. 1–8, 2022, doi: 10.52005/jursistekni.v4i1.96.
[10] B. Gunawan and M. E. Al Rivan, “Klasifikasi Jenis Beras Putih menggunakan CNN Residual Network Optimizer SGD,” MDP Student Conf., vol. 2, no. 1, pp. 128–132, 2023, doi: 10.35957/mdp-sc.v2i1.4305.
[11] 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.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Bayu Wijayanto, Danar Putra Pamungkas, Patmi Kasih