Aplikasi Berbasis Mobile Untuk Menentukan Kualitas Biji Kedelai Menggunakan CNN Dengan Optimasi PSO Pada Arsitektur ResNet-50

Abstract

Penelitian ini bertujuan mengembangkan aplikasi mobile untuk klasifikasi kualitas biji kedelai berbasis citra menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 yang dioptimasi dengan Particle Swarm Optimization (PSO). Dataset terdiri dari 5.513 gambar dengan lima kategori mutu: intact, broken, spotted, immature, dan skin damaged. Tahapan penelitian meliputi pengumpulan data, augmentasi, scaling, pembagian data, optimasi hyperparameter menggunakan PSO, pemodelan CNN dengan transfer learning, validasi, evaluasi model, hingga implementasi ke aplikasi berbasis Flutter. Evaluasi menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan f1-score. Hasil menunjukkan model ResNet-50 dengan optimasi PSO memiliki performa lebih baik dibandingkan Grid Search. Model PSO mencapai akurasi 88%, precision 89%, recall 88%, dan f1-score 88%, sedangkan Grid Search hanya 78%. Implementasi model dilakukan dengan dua skenario. Pertama, model ditanam langsung di perangkat mobile (TensorFlow Lite). Hasil pengujian menunjukkan akurasi 75% dengan respon relatif lambat karena keterbatasan komputasi perangkat. Kedua, implementasi berbasis REST API dengan server Flask. Model dijalankan di server dan aplikasi berfungsi sebagai klien. Hasilnya lebih optimal, dengan akurasi 88% dan respon rata-rata 1–2 detik. Kesimpulannya, optimasi PSO efektif meningkatkan performa CNN ResNet50, dan implementasi berbasis API lebih efisien serta praktis dibandingkan implementasi langsung di perangkat mobile. Aplikasi yang dihasilkan mampu mendukung klasifikasi mutu kedelai secara cepat, akurat, dan dapat dimanfaatkan untuk membantu proses kontrol kualitas di sektor pertanian.