Electronic Theses and Dissertation

Kualitas beras merupakan faktor penting yang menentukan nilai jual dan penerimaan konsumen. Penilaian kualitas beras secara manual masih memiliki keterbatasan karena bergantung pada subjektivitas pengamat. Oleh karena itu, Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi kualitas beras menggunakan arsitektur EfficientNetV2 dengan dataset citra beras Indoor dan Semi-Outdoor. Dataset terdiri dari 2.400 citra berukuran seragam 512×512 piksel yang terbagi secara seimbang ke dalam tiga kelas: Beras Bagus, Beras Normal, dan Beras Tidak Bagus. Seluruh data dinormalisasi dan dibagi menjadi subset training, validation, dan testing dengan proporsi 70%:20%:10%. Proses pelatihan dilakukan selama 50 epoch menggunakan optimizer SGD, learning rate 10⁻³, dan batch size 16, serta menerapkan strategi early saving untuk memperoleh performa terbaik. Hasil pelatihan menunjukkan bahwa model mencapai Accuracy training dan validation yang sangat tinggi, dengan Validacy mencapai 100% pada epoch ke-11 dan tetap stabil hingga akhir pelatihan. Evaluasi menggunakan Confusion Matrix dan Validacy responden mengonfirmasi bahwa model mampu mengklasifikasikan kualitas beras dengan tingkat Accuracy yang konsisten dan sangat tinggi, berkisar antara 91,18% hingga 97,06%. Temuan ini menunjukkan bahwa EfficientNetV2 memiliki kemampuan generalisasi yang sangat baik dalam mengenali kualitas beras pada kondisi pencahayaan yang berbeda, sehingga layak diterapkan sebagai metode klasifikasi otomatis dalam sistem penilaian kualitas beras.

Rice quality is an important factor that determines its market value and consumer acceptance. Manual assessment of rice quality still has limitations because it relies on the subjectivity of observers. Therefore, this study aims to develop and evaluate a rice quality classification model using the EfficientNetV2 architecture with Indoor and Semi-Outdoor rice image datasets. The dataset consists of 2,400 images with a uniform resolution of 512×512 pixels, evenly distributed into three classes: Good Rice, Normal Rice, and Poor Rice. All images were normalized and divided into training, validation, and testing subsets with a ratio of 70%:20%:10%. The training process was conducted for 50 epochs using the SGD optimizer, a learning rate of 10⁻³, and a batch size of 16, while applying an early saving strategy to obtain optimal performance. The training results show that the model achieved very high training and validation Accuracy, with validation Accuracy reaching 100% at the 11th epoch and remaining stable until the end of training. Evaluation using a Confusion Matrix and respondent validation confirms that the model is able to classify rice quality with consistently very high Accuracy, ranging from 91.18% to 97.06%. These findings indicate that EfficientNetV2 has excellent generalization capability in recognizing rice quality under different lighting conditions, making it suitable for implementation as an automated classification method in rice quality assessment systems.