Klasifikasi Kelompok Vigor Benih Padi Menggunakan Analisis Citra RGB Berbasis CNN pada Varietas Inpari 32 HDB dan Sintanur

Abstract

Pengujian vigor benih padi secara konvensional memerlukan waktu 5-14 hari, bersifat destruktif, dan bergantung pada penilaian subjektif pengamat. Penelitian ini bertujuan mengembangkan model CNN berbasis arsitektur EfficientNet-B0 untuk mengklasifikasikan kelompok vigor benih padi menggunakan analisis citra RGB pada lima titik pengamatan (hari ke-1, 3, 5, 7, dan 14) selama fase persemaian. Objek penelitian adalah dua varietas benih padi bersertifikat, yaitu Inpari 32 HDB dan Sintanur, dengan total 630 benih dan 3.150 citra individu. Ground truth kelompok vigor ditentukan melalui sistem aturan if-then berbasis trajektori pertumbuhan harian. Akibat ketidakseimbangan distribusi kelas yang ekstrem, skema klasifikasi disesuaikan menjadi tiga kelas (Vigor Rendah/VR, Vigor Sedang/VS, Vigor Tinggi/VT) untuk Sintanur dan dua kelas (Non-VT, VT) untuk Inpari 32 HDB, dengan pembobotan Focal Loss yang diterapkan per kelas berdasarkan distribusi data latih. Model Inpari 32 HDB mencapai F1-score macro average tertinggi sebesar 0,88 dengan akurasi 93,8% pada hari ke-7, secara statistik signifikan lebih baik dibanding seluruh titik pengamatan lain (uji Fisher eksak, p<0,05). Model Sintanur mencapai F1-score macro-average tertinggi sebesar 0,50 pada hari ke-7, namun keunggulannya terhadap titik lain tidak terbukti signifikan secara statistik, dan performanya belum mencapai keandalan memadai untuk aplikasi praktis akibat keterbatasan sampel kelas Vigor Sedang. Analisis Grad CAM menunjukkan wilayah aktivasi tinggi yang secara kualitatif tumpang tindih dengan struktur kecambah (radikula, plumula) pada titik optimal, meski hal ini merupakan penilaian visual oleh satu pengamat, bukan bukti kuantitatif independen. Hasil penelitian mengindikasikan potensi citra RGB berbasis CNN sebagai metode pengujian vigor benih padi yang non-destruktif dan berbiaya rendah, khususnya untuk varietas dengan kontras visual antar kelompok vigor yang tinggi, dengan kebutuhan validasi lanjutan yang melibatkan pengamat kedua, sampel lebih besar, dan lot benih dalam masa edar aktif.

Conventional rice seed vigor testing requires 5-14 days, is destructive, and relies on the observer's subjective assessment. This study aimed to develop a CNN model based on the EfficientNet-B0 architecture to classify rice seed vigor groups using RGB image analysis at five observation time points (days 1, 3, 5, 7, and 14) during the seedling phase. The research objects were two certified rice seed varieties, Inpari 32 HDB and Sintanur, comprising 630 seeds and 3,150 individual images. Vigor group ground truth was determined through an if-then rule system based on daily growth trajectories recorded by a single observer. Due to extreme class distribution imbalance, the classification scheme was adjusted to three classes (Low Vigor/VR, Moderate Vigor/VS, High Vigor/VT) for Sintanur and two classes (Non-VT, VT) for Inpari 32 HDB, with Focal Loss weighting applied per class based on the training data distribution. The Inpari 32 HDB model achieved the highest macro-average F1-score of 0.88 with 93.8% accuracy at day 7, statistically significantly better than all other observation points (Fisher's exact test, p<0.05). The Sintanur model achieved a highest macro-average F1-score of 0.50 at day 7, though its advantage over other observation points was not statistically significant, and its performance did not reach adequate reliability for practical application due to limited samples in the Moderate Vigor class. Grad-CAM analysis showed high activation regions that qualitatively overlapped with identifiable seedling structures (radicle, plumule) at the optimal point, though this represents a visual assessment by a single observer rather than independent quantitative evidence. The results indicate the potential of CNN-based RGB imaging as a non-destructive and low cost rice seed vigor testing method, particularly for varieties with high visual contrast between vigor groups, pending further validation involving a second observer, larger samples, and seed lots within their active shelf life.