Klasifikasi Biji Kedelai Menggunakan Convolutional Neural Network (CNN) pada Model EfficientNet-B0

Abstrak

Produktivitas kedelai sangat dipengaruhi oleh kualitas dan kuantitas mutu fisik biji kedelai. Pemilihan biji kedelai biasanya dilakukan secara manual oleh petani, namun proses tersebut memakan waktu lama dan sering kali kurang optimal. Dalam bidang Artificial Intelligence, khususnya deep learning, terdapat metode yang dapat menjadi solusi efektif untuk mengenali biji kedelai berkualitas tanpa merusak sampel. Penelitian ini memanfaatkan Convolutional Neural Network (CNN) untuk melakukan klasifikasi guna meningkatkan efisiensi dan keberhasilan dalam pemilihan biji kedelai yang berkualitas. Selain itu, digunakan model transfer learning EfficientNet-B0 yang menggunakan Hyperparameter optimizer Adam, learning rate 0,001 serta ukuran batch 32 untuk memperkuat kinerja pada model. Pengujian dilakukan menggunakan dataset yang diambil dari Mendeley Data, terdiri dari 5 kelas biji kedelai: broken soybean, immature soybean, intact soybean, skin damaged soybean, dan spotted soybean, dengan total 5513 data. Dataset dibagi menjadi 80% untuk pelatihan, 10% data validasi, serta 10% untuk pengujian. Hasil penelitian menunjukkan bahwa CNN dengan model EfficientNet-B0 mampu mencapai akurasi sebesar 95%, yang menunjukkan efektivitas metode ini dalam membantu petani melakukan pemilihan biji kedelai secara lebih efisien dan akurat.

Abstract

Soybean productivity is strongly influenced by the quality and quantity of the physical qualities of soybean seeds. Soybean seed selection is usually done manually by farmers, but the process is time-consuming and often less than optimal. In the field of Artificial Intelligence, especially deep learning, there is a method that can be an effective solution to recognize quality soybean seeds without damaging the sample. This research utilizes Convolutional Neural Network (CNN) to perform classification to increase efficiency and success in selecting quality soybean seeds. In addition, the EfficientNet-B0 transfer learning model is used which uses the Adam hyperparameter optimizer, learning rate 0,001 and batch size 32 to strengthen the performance of the model. Testing was conducted using a dataset taken from Mendeley Data, consisting of 5 classes of soybean seeds: broken soybean, immature soybean, intact soybean, skin damaged soybean, and spotted soybean, with a total of 5513 data. The dataset is divided into 80% for training, 10% validation data, and 10% for testing. The results show that CNN with the EfficientNet-B0 model is able to achieve an accuracy of 95%, which shows the effectiveness of this method in helping farmers make soybean seed selection more efficiently and accurately.