Penerapan Model Pretrain Convolutional Neural Network Untuk Prediksi Tingkat Roasting Biji Kopi Robusta Berdasarkan Image Feature

Ambarita, Natasya Yonike (2024) Penerapan Model Pretrain Convolutional Neural Network Untuk Prediksi Tingkat Roasting Biji Kopi Robusta Berdasarkan Image Feature. S1 thesis, Sistem Informasi.

	Text SKRIPSI_F1E120032_FINAL.pdf Restricted to Repository staff only Download (5MB)
	Text SKRIPSI_F1E120032_cover.pdf Download (95kB)
	Text SKRIPSI_F1E120032_pengesahan.pdf Download (365kB)
	Text SKRIPSI_F1E120032_abstrak.pdf Download (150kB)
	Text SKRIPSI_F1E120032_bab 1.pdf Download (198kB)
	Text SKRIPSI_F1E120032_bab 5.pdf Download (152kB)
	Text SKRIPSI_F1E120032_daftar pustaka.pdf Download (205kB)

Abstract

Produksi kopi Indonesia terus meningkat dengan pesat, di mana sekitar 70% dihasilkan dari jenis Robusta. Fenomena ini sejalan dengan meningkatnya minat masyarakat terhadap kopi. Proses penting dalam pengolahan biji kopi adalah roasting, yang membentuk karakteristik rasa dan aroma kopi. Menurut National Coffee Association (1911), roasting diklasifikasikan menjadi tiga kategori: light roast, medium roast, dan dark roast. Namun, dalam praktiknya, penentuan tingkat roasting biji kopi masih sering mengandalkan penilaian visual secara tradisional, yang dapat menyebabkan variasi dalam kualitas hasil akhir. Oleh karena itu, penerapan teknologi prediksi dapat menjadi solusi efektif untuk meningkatkan keefektifan dalam menentukan tingkat roasting biji kopi. Dalam penelitian ini, teknologi komputer, terutama deep learning, digunakan dengan menggunakan Convolutional Neural Network dan algoritma transfer learning untuk mengklasifikasikan gambar biji kopi berdasarkan tingkat roastingnya. Beberapa model seperti VGG16, InceptionV3, dan DenseNet121 dievaluasi, dan hasil evaluasi menunjukkan bahwa DenseNet121 adalah model terbaik. Setelah melalui pelatihan sebanyak 30 epoch, model ini mencapai akurasi tertinggi pada tahap validasi sebesar 99% dengan nilai loss terendah mencapai 5,2%. Ketika diuji, model ini berhasil mencapai akurasi, presisi, recall, dan f1-score sebesar 99%. Bahkan, prediksi gambar melalui website juga berhasil memprediksi 26 dari 30 gambar dengan benar.

Type:	Thesis (S1)
Subjects:	T Technology > TS Manufactures
Depositing User:	AMBARITA
Date Deposited:	10 Jun 2024 08:13
Last Modified:	10 Jun 2024 08:24
URI:	https://repository.unja.ac.id/id/eprint/64879

Actions (login required)

View Item