IDENTIFIKASI KUALITAS CITRA BIJI KEDELAI MENGGUNAKAN TRANSFER LEARNING MOBILENETV2

Kedelai merupakan bahan dasar untuk berbagai produk makanan dan nonmakanan, seperti kecap, tahu, tempe, susu kedelai, minyak kedelai, dan makanan hewan ternak. Pengrajin kedelai lebih meminati kedelai impor karena kualitasnya yang lebih baik dibandingkan kedelai lokal, dikarenakan teknik rekayasa genetika atau Genetically Modified Organism (GMO) pada kedelai impor. Saat ini, evaluasi kualitas biji kedelai masih dilakukan secara manual oleh manusia, yang dapat menghasilkan penilaian subjektif dan mempengaruhi konsistensi produksi olahan kedelai. Penelitian ini bertujuan untuk memastikan kualitas biji kedelai menggunakan pendekatan Deep Learning. Tahapan penelitian meliputi studi literatur, studi lapangan, pengumpulan data, pengembangan model, dan evaluasi hasil. Metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 digunakan sebagai model identifikasi citra. Data yang digunakan berjumlah 600, terbagi menjadi tiga kelas: kedelai normal, kedelai mengelupas, dan kedelai pecah. Pengujian dilakukan pada lingkungan Google Colaboratory Pro dengan hardware accelerator L4 GPU, dan dibagi menjadi tiga skenario: model MobileNetV2 tanpa transfer learning, MobileNetV2 dengan transfer learning tanpa fine-tuning, dan MobileNetV2 dengan transfer learning dan fine-tuning. Dalam pelatihan ketiga skenario tersebut digunakanya GridSearch untuk menemukan kombinasi parameter terbaik dengan ketentuan parameternya adalah batch size 16, 32, 64 dan learning rate 0.0001, 0.0002, 0.0003 untuk nilai epochnya 20 yang digunakan dalam pelatihan model. Model terbaik dari pengujian ini adalah skenario kedua, yaitu MobileNetV2 menggunakan transfer learning tanpa fine-tuning dengan kombinasi parameter batch size 32 dan learning rate 0.0002, yang mencapai akurasi 98,3%, presisi 98,4%, recall 98,3%, F1 Score 98,3%, dan AUC 99,9%.