Studi Kelayakan Identifikasi Varietas Benih Kedelai dengan Hyperspectral Imaging dan Deep Learning

ABSTRAK
Kemurnian varietas benih merupakan indikator penting kualitas benih, dan pencampuran benih kedelai pada berbagai tahap kematangan dapat memengaruhi pertumbuhan tanaman dan kualitas pangan. Studi ini menyelidiki kelayakan pengenalan lima varietas kedelai pada berbagai tahap kematangan menggunakan pencitraan hiperspektral. Data hiperspektral dari 3600 benih kedelai dikumpulkan dalam kisaran 395,5–1003,7 nm. Pertama, potensi untuk membedakan secara kualitatif kelima varietas kedelai dinilai menggunakan analisis kluster visual berdasarkan analisis komponen utama (PCA), t-distributed stochastic neighbor embedding (t-SNE), dan uniform manifold approximation and projection (UMAP). Selanjutnya, kinerja empat model klasifikasi—random forest (RF), extreme learning machine (ELM), partial least squares discriminant analysis (PLS-DA), dan one-dimensional convolutional neural network (1DCNN)—dibandingkan. Praproses koreksi hamburan perkalian (MSC) secara signifikan meningkatkan efek pengenalan keempat model, dengan model 1DCNN menunjukkan akurasi tertinggi dan kinerja pengenalan paling stabil. Efek pita fitur yang diekstraksi menggunakan competitive adaptive reweighted sampling (CARS), variable importance in projection (VIP), dan local linear embedding (LLE) pada keempat model juga dibandingkan. Akurasi keempat set pita fitur, jika dikombinasikan dengan model MSC+1DCNN, melebihi 96% dalam mengidentifikasi varietas kedelai. Oleh karena itu, hasil ini menunjukkan bahwa model analisis diskriminan 1DCNN cocok untuk analisis data spektral dalam klasifikasi varietas benih kedelai dan dapat meningkatkan akurasi klasifikasi secara signifikan.