Sistem Klasifikasi Mutu Kecambah Benih Padi Menggunakan Metode Convolutional Neural Network

Diputra, Rama (2026) Sistem Klasifikasi Mutu Kecambah Benih Padi Menggunakan Metode Convolutional Neural Network. Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (158kB)
	Text (Bab 1 Pendahuluan) Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (189kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (170kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Beras merupakan komoditas pangan utama yang strategis di Indonesia, di mana produktivitas panen sangat bergantung pada mutu benih berdaya kecambah tinggi. Pengujian daya berkecambah konvensional masih memiliki kelemahan karena bersifat subjektif dan memakan waktu. Penelitian ini bertujuan mengimplementasikan arsitektur Convolutional Neural Network (CNN) MobileNetV2 untuk mengklasifikasikan kualitas kecambah padi ke dalam tiga kelas: Kecambah Normal, Kecambah Abnormal, dan Benih Mati. Sebanyak 545 citra dataset awal yang mengalami ketidakseimbangan kelas ditangani melalui teknik augmentasi spasial dan pipeline pra-pemrosesan citra. Tahap pra-pemrosesan memainkan peran krusial melalui ekstraksi Region of Interest (ROI) menggunakan segmentasi biner adaptif berbasis nilai rata-rata (Mean x 2.2) dan operasi morfologi untuk mengisolasi objek kecambah secara utuh dari latar belakang. Evaluasi model melalui confusion matrix menunjukkan bahwa konfigurasi pembagian data 80:20 dengan siklus pelatihan 25 epoch menghasilkan performa paling optimal, dengan akurasi pengujian mencapai 93,58%. Keberhasilan isolasi fitur pada tahap pra-pemrosesan terbukti mampu mereduksi bias pada kelas minoritas secara alami tanpa memerlukan tambahan algoritma pembobotan kelas. Model terbaik tersebut kemudian diintegrasikan ke dalam prototipe aplikasi mobile bernama Sprouts Scan. Pengujian akurasi sistem menggunakan citra baru oleh dua pakar menghasilkan rata-rata akurasi klasifikasi sebesar 98,27%, sedangkan pengujian UAT menunjukkan tingkat penerimaan sebesar 100%. Secara keseluruhan, sistem cerdas ini terbukti empiris mampu meningkatkan objektivitas, akurasi, dan efisiensi dokumentasi dalam evaluasi daya berkecambah untuk mendukung kelancaran sertifikasi mutu benih nasional.

Actions (login required)

View Item