Beras merupakan komoditas pangan utama di Indonesia yang memiliki berbagai jenis dengan karakteristik dan kualitas yang berbeda. Proses identifikasi jenis beras secara manual cenderung memerlukan waktu yang lama serta rentan terhadap subjektivitas. Penelitian ini bertujuan untuk mengembangkan sistem otomatis dalam mendeteksi dan mengklasifikasikan jenis beras menggunakan algoritma Faster Region-Based Convolutional Neural Network (Faster R-CNN). Metode penelitian meliputi pengumpulan dataset citra beras, proses anotasi data, pelatihan model, serta pengujian performa sistem. Model dilatih menggunakan arsitektur Faster R-CNN untuk mengenali objek beras dan mengklasifikasikan jenisnya berdasarkan citra input. Berdasarkan hasil pengujian, sistem mampu mendeteksi objek pada berbagai kondisi posisi, jarak, dan intensitas cahaya dengan rata-rata akurasi yang bervariasi pada setiap jenis beras. Pada pengujian posisi, akurasi tertinggi diperoleh oleh beras IR64 sebesar 0,82 pada posisi atas, sedangkan pada pengujian jarak akurasi tertinggi diperoleh Beras Merah sebesar 0,87 pada jarak 5 cm. Sementara itu, pada pengujian intensitas cahaya, akurasi tertinggi diperoleh oleh IR64 sebesar 0,89 pada pencahayaan 250 lux. Hasil tersebut menunjukkan bahwa sistem memiliki performa yang cukup baik serta dapat dikembangkan lebih lanjut dalam bidang pertanian.
Kata Kunci : Faster R-CNN, deteksi objek, klasifikasi, beras.

Rice is a major food commodity in Indonesia that has various types with different characteristics and qualities. The process of identifying rice types manually tends to be time-consuming and prone to subjectivity. This study aims to develop an automated system for detecting and classifying rice types using the Faster Region-Based Convolutional Neural Network (Faster R-CNN) algorithm. The research methods include rice image dataset collection, data annotation, model training, and system performance testing. The model was trained using the Faster R-CNN architecture to recognize rice objects and classify their types based on input images. Based on the test results, the system was able to detect objects under various conditions of position, distance, and light intensity, with varying average accuracy for each rice type. In the position test, the highest accuracy was achieved by IR64 rice at 0.82 in the top position, while in the distance test, the highest accuracy was obtained by red rice at 0.87 at a distance of 5 cm. Meanwhile, in the light intensity test, the highest accuracy was achieved by IR64 rice at 0.89 under 250 lux lighting. These results indicate that the system has fairly good performance, although it is influenced by image capture angle, camera distance, and lighting conditions. Therefore, the system can be further developed for applications in the agricultural sector.
Keywords:: Faster R-CNN, object detection, classification, rice.