ANALISIS PERFORMA METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR CONVNEXT DALAM KLASIFIKASI VARIETAS BERAS

Abstract

Klasifikasi varietas beras merupakan proses penting dalam memastikan kualitas dan pemilihan komoditas beras yang sesuai, terutama di tengah meningkatnya impor dan keragaman varietas di Indonesia. Proses identifikasi manual yang dilakukan oleh ahli pertanian sering kali tidak konsisten, memakan waktu, serta rentan terhadap kesalahan, khususnya pada varietas beras dengan kemiripan morfologi yang tinggi seperti Arborio, Basmati, dan Ipsala. Perkembangan teknologi deep learning, khususnya arsitektur modern ConvNeXt, membuka peluang baru dalam meningkatkan akurasi dan efisiensi klasifikasi berbasis citra. Penelitian ini menggunakan pendekatan eksperimen kuantitatif dengan mengimplementasikan model ConvNeXt untuk klasifikasi tiga varietas beras. Dataset yang digunakan merupakan Rice Image Dataset dari Kaggle berjumlah 1.050 citra, yang dibagi menjadi set pelatihan (80%) dan validasi/pengujian (20%). Preprocessing meliputi normalisasi ukuran citra menjadi 224×224 piksel dan penerapan augmentasi seperti rotasi, flip, dan zoom. Model ConvNeXt pretrained ImageNet dimodifikasi pada bagian classifier untuk menghasilkan tiga kelas output. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, F1-score, serta analisis confusion matrix. Model ConvNeXt menunjukkan performa yang sangat baik dengan akurasi pengujian sebesar 98%, precision 0,98, recall 0,98, dan F1-score 0,98. Confusion matrix memperlihatkan tingkat kesalahan prediksi yang sangat rendah: 61/62 citra Arborio diklasifikasikan benar, 68/69 citra Basmati benar, dan 76/79 citra Ipsala benar. Performa yang stabil antara data pelatihan dan validasi menunjukkan bahwa model berada pada kondisi good fit tanpa indikasi overfitting. Augmentasi data terbukti membantu model dalam mengenali variasi tekstur dan bentuk butir beras yang halus. ConvNeXt terbukti efektif sebagai model klasifikasi varietas beras dengan tingkat akurasi yang tinggi dan kemampuan yang kuat dalam mengekstraksi fitur visual beras. Arsitektur ini mampu membedakan varietas dengan kemiripan morfologi yang tipis dan memberikan performa lebih baik dibanding pendekatan CNN tradisional yang dilaporkan pada penelitian terdahulu. Dengan demikian, ConvNeXt berpotensi digunakan dalam sistem otomatis klasifikasi beras untuk mendukung efisiensi industri pertanian dan pengolahan pangan.