PERBANDINGAN VGG16, VGG19, MOBILENET DAN MOBILENETV2 UNTUK KLASIFIKASI BERAS BERDASARKAN CITRA

Beras merupakan sumber pangan utama bagi sebagian besar masyarakat Indonesia, sehingga kualitas beras menjadi aspek penting dalam menjaga ketahanan pangan. Namun, penilaian kualitas beras di Indonesia masih banyak dilakukan secara manual, sehingga bersifat subjektif dan kurang konsisten. Oleh karena itu, pemanfaatan teknik pengolahan citra dan algoritma deep learning diperlukan untuk menghasilkan proses klasifikasi yang lebih objektif dan akurat. Penelitian ini bertujuan untuk membandingkan kinerja empat arsitektur Convolutional Neural Network (CNN), yaitu VGG16, VGG19, MobileNet, dan MobileNetV2, dalam mengklasifikasikan lima jenis beras, yaitu Arborio, Basmati, Ipsala, Jasmine, dan Karacadag. Dataset yang digunakan terdiri atas 4.000 citra yang diproses secara langsung tanpa tahapan prapemrosesan tambahan. Hasil pengujian menunjukkan bahwa MobileNet memperoleh akurasi tertinggi sebesar 99% dengan waktu pelatihan 756 detik. Sementara itu, MobileNetV2 dan VGG16 masing-masing mencapai akurasi 98% dengan waktu pelatihan 728 detik dan 1.502 detik, sedangkan VGG19 menghasilkan akurasi terendah sebesar 97% dengan waktu pelatihan 1.038 detik. Berdasarkan hasil tersebut, dapat disimpulkan bahwa arsitektur MobileNet memiliki kinerja terbaik dalam klasifikasi lima varietas beras pada dataset yang digunakan.