MODIFIKASI MODEL TRANSFER LEARNING VGG16 DENGAN GLOBAL AVERAGE POOLING UNTUK KLASIFIKASI VARIETAS KEDELAI BERDASARKAN CITRA BIJI

Kedelai (Glycine max) merupakan tanaman pangan dengan nilai ekonomi tinggi di
Indonesia dan banyak dimanfaatkan dalam berbagai produk olahan dan budidaya.
Kesesuaian varietas kedelai sangat penting untuk memastikan produktivitas dan kualitas
produk, namun metode klasifikasi manual memiliki keterbatasan dalam hal efisiensi dan
akurasi. Oleh karena itu, teknologi berbasis machine learning dan deep learning menjadi
solusi dalam mengotomatisasi klasifikasi varietas kedelai. Convolutional Neural Network
(CNN) telah banyak diterapkan dalam klasifikasi varietas tanaman dan menunjukkan
akurasi tinggi dalam analisis citra berbasis fitur visual. Penelitian ini berfokus pada
pengembangan model klasifikasi varietas kedelai berbasis CNN melalui pendekatan
transfer learning dengan memanfaatkan arsitektur VGG16 yang telah dimodifikasi
menggunakan Global Average Pooling untuk menekan jumlah parameter dan mengurangi
potensi overfitting. Dataset yang digunakan terdiri dari 10 varietas kedelai yang diperoleh
dari Laboratorium Agronomi Universitas Bengkulu, yaitu 8 varietas unggul nasional dan
2 varietas yang dirilis oleh Universitas Bengkulu. Tahapan penelitian meliputi akuisisi
data, pra-pengolahan citra (resize, flipping, rotation, normalisasi, dan augmentasi),
pelatihan model, serta evaluasi performa. Hasil pengujian menunjukkan bahwa model
VGG16+GAP mampu memberikan kinerja terbaik dibandingkan arsitektur CNN lainnya
dengan akurasi pelatihan sebesar 98,13%, akurasi validasi sebesar 98,97%, dan waktu
pelatihan hanya 62-67 detik per epoch. Penerapan GAP terbukti dapat mengurangi jumlah
parameter pada lapisan fully connected, sehingga mempercepat proses pelatihan dan
mengurangi risiko overfitting tanpa menurunkan akurasi. Sistem yang dihasilkan
berpotensi untuk diimplementasikan sebagai alat bantu identifikasi varietas kedelai secara
cepat, akurat, dan efisien, sehingga dapat mendukung kegiatan penelitian dan budidaya
kedelai di lapangan.
Kata kunci: Klasifikasi kedelai, deep learning, VGG16, Global Average Pooling,
pengolahan citra digital.