IMPLEMENTASI MODEL PRE-TRAINED PADA CNN BERDASARKAN MULTI INPUT PARAMETER UNTUK IDENTIFIKASI JENIS KOPI BERBASIS GUI

Stiawan, Amanda (2024) IMPLEMENTASI MODEL PRE-TRAINED PADA CNN BERDASARKAN MULTI INPUT PARAMETER UNTUK IDENTIFIKASI JENIS KOPI BERBASIS GUI. S1 thesis, Universitas Jambi.

	Text SKRIPSI AMANDA STIAWAN F1E120049-1.pdf Restricted to Repository staff only Download (136kB)
	Text abstrak SKRIPSI AMANDA STIAWAN F1E120049.pdf Download (302kB)
	Text LEMBAR PENGESAHAN SKRIPSI_FULL_ AMANDA STIAWAN_F1E120049.pdf Download (183kB)
	Text BAB I SKRIPSI AMANDA STIAWAN F1E120049.pdf Download (339kB)
	Text BAB V SKRIPSI AMANDA STIAWAN F1E120049.pdf Download (308kB)
	Text daftar pustaka SKRIPSI AMANDA STIAWAN F1E120049.pdf Download (457kB)
	Text SKRIPSI_FULL_ AMANDA STIAWAN_F1E120049.pdf Download (4MB)

Abstract

Indonesia, sebagai negara agraris, memiliki potensi besar dalam sektor pertanian, salah satunya adalah produksi kopi yang menjadi komoditas ekspor penting. Kopi, dengan berbagai varietas seperti robusta, arabika, dan liberika, merupakan tanaman yang sangat diperdagangkan secara global. Provinsi Jambi di Indonesia memiliki beragam jenis kopi yang dibudidayakan, namun identifikasi varietas kopi seringkali mengalami kendala karena ketidakakuratan pengenalan secara kasat mata. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi jenis kopi berbasis teknologi Artificial Intelligence (AI) dengan menggunakan metode Convolutional Neural Network (CNN) dan model pretrained seperti NasNetMobile, ResNet50, dan EfficientNetV2B0. Hasil penelitian dan pengujian menunjukkan bahwa model NasNetMobile memberikan performa terbaik dengan akurasi pelatihan sebesar 97.72%, akurasi validasi 97.40%, precision 96%, recall 96%, f1-score 96%, dan akurasi pengujian 97% setelah 30 epoch. Model ini berhasil diimplementasikan pada website identifikasi jenis kopi dengan tingkat akurasi yang memadai, dimana 23 dari 30 gambar kopi berhasil diidentifikasi dengan benar.

Type:	Thesis (S1)
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Sains dan Teknologi > Sistem Informasi
Depositing User:	STIAWAN
Date Deposited:	19 Jul 2024 03:09
Last Modified:	19 Jul 2024 03:09
URI:	https://repository.unja.ac.id/id/eprint/68797

Actions (login required)

View Item