Desain Aplikasi Untuk Identifikasi Jenis, Kualitas dan Kadar Air Green Bean Kopi Menggunakan Jaringan Syaraf Konvolusional
| Main Authors: | Setiawan, Ilham, Mas’ud Effendi,, STP, MP, Ir. Usman Effendi,, MS |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2022
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/190309/1/ILHAM%20SETIAWAN.pdf http://repository.ub.ac.id/id/eprint/190309/ |
Daftar Isi:
- Penentuan jenis dan kualitas biji kopi masih banyak dilakukan secara konvensional menggunakan penilaian fisik manual yang subyektif dan membutuhkan waktu lama. Penentuan proses penyangraian biji kopi juga masih banyak dilakukan berdasarkan perkiraan pribadi tanpa memperhatikan kadar air biji kopi sehingga kualitas kopi sangrai tidak optimal. Pengujian destruktif diperlukan namun dapat merusak biji kopi, membutuhkan peralatan khusus dan waktu yang lama. Diperlukan metode alternatif berupa pengolahan citra digital untuk mengidentifikasi jenis, kualitas dan kadar air green bean kopi. Penelitian ini bertujuan membangun sistem aplikasi untuk mengidentifikasi jenis, kualitas dan kadar air green bean kopi dan mengetahui tingkat akurasinya. Metode yang digunakan berupa klasifikasi dengan jaringan syaraf konvolusional. Klasifikasi jenis kopi menggunakan 4 kelas, klasifikasi kualitas menggunakan 8 kelas dan klasifikasi kadar air menggunakan 3 kelas. Jenis kopi yang digunakan meliputi arabika, robusta, ekselsa dan liberika. Dataset berjumlah 1500 citra dengan proporsi data latih dan data uji yang digunakan 50:50, 60:40, 70:30 dan 80:20. Citra RGB yang digunakan berukuran 250x250 piksel. Arsitektur jaringan tersusun dari 5 pasang lapisan konvolusi dan maxpooling diikuti dengan 1 lapisan flatten dan 2 lapisan dense. Bahasa pemrograman yang digunakan adalah Python. Hasil model terbaik pada klasifikasi jenis kopi menggunakan proporsi data 80:20 dengan akurasi 88,73%, pada klasifikasi kualitas menggunakan proporsi data 60:40 dengan akurasi 81,36% dan pada klasifikasi kadar air menggunakan proporsi data 80:20 dengan akurasi 75,75%. Akurasi sistem secara keseluruhan mencapai 21,33% dengan kemampuan memprediksi jenis kopi mencapai 81,33%, kemampuan prediksi kualitas mencapai 60,00% dan kemampuan memprediksi kadar air mencapai 53,33%. Perbaikan dapat dilakukan dengan menerapkan arsitektur model yang lebih kompleks dan penambahan preprocessing berbasis warna untuk memperkuat warna khas citra sehingga lebih mudah dianalisis dan menghasilkan akurasi lebih baik. Kemudian mengintegrasikan ponsel dengan komputer supaya pemindahan citra berlangsung otomatis atau dapat pula sistem aplikasi yang dibuat berbasis ponsel supaya lebih praktis. Selanjutnya melakukan pengujian usability untuk mengukur kenyamanan penggunaan sistem aplikasi.