Identifikasi Proses Pascapanen Kopi Arabika (Coffea arabica) Dengan Metode Jaringan Saraf Konvolusional

Faqy, Maulana Muhamad (2023) Identifikasi Proses Pascapanen Kopi Arabika (Coffea arabica) Dengan Metode Jaringan Saraf Konvolusional. Sarjana thesis, Universitas Brawijaya.

Abstract

Kopi merupakan salah satu komoditas unggulan Indonesia yang memiliki kontribusi besar bagi perekonomian negara. Salah satu kota penghasil kopi di Indonesia adalah Kota Batu yang terletak di Provinsi Jawa Timur. Pengolahan pascapanen kopi tersebut diolah menggunakan proses natural, full wash, dan honey. Perbedaan jenis proses pascapanen kopi memiliki keterkaitan yang sangat penting dengan proses roasting kopi. Biji kopi yang diolah menggunakan proses natural, full wash, dan honey memiliki perbedaan perlakuan yang menentukan bagaimana proses penyangraiannya. Disamping itu, perbedaan jenis proses pascapanen kopi juga memengaruhi harga bahan yang berbeda di pasaran. Oleh karena itu, perlu dilakukan identifikasi biji kopi dengan metode yang lebih baik agar pembeli tidak merasa dirugikan. Salah satu solusi yang dapat digunakan adalah dengan menggunakan analisis citra digital menggunakan metode jaringan saraf konvensional (CNN). Convolutional Neural Network (CNN) merupakan salah satu metode analisis citra digital yang dirancang khusus untuk memproses data visual seperti gambar dan video. CNN telah banyak digunakan dalam berbagai aplikasi, seperti pengenalan wajah, deteksi objek pada video, dan pengenalan citra medis. Dalam penelitian ini, CNN digunakan untuk mengidentifikasi proses pascapanen kopi. Dalam penelitian ini, arsitektur yang digunakan untuk analisis citra adalah ResNet-18 dan MobileNetV2. Hasil penelitian menunjukkan bahwa kedua arsitektur, yaitu ResNet-18 dan MobileNetV2, menghasilkan akurasi terbaik yang sama, yaitu 98,89%, pada proporsi data 70:20:10. Meskipun terdapat variasi dalam proporsi data, tidak ada perbedaan signifikan dalam kinerja kedua arsitektur dalam hal akurasi. Hal ini menunjukkan bahwa keduanya mampu menangani perbedaan proporsi data dengan baik dalam tugas identifikasi proses pascapanen kopi arabika. Penelitian ini menunjukkan bahwa baik arsitektur ResNet -18 maupun MobileNetV2 memberikan kinerja yang setara dalam identifikasi proses pascapanen kopi arabika. Pilihan antara keduanya dapat dipertimbangkan berdasarkan faktor-faktor seperti tingkat komputasi yang tersedia, ukuran weight model yang diinginkan, dan persyaratan proporsi data yang relevan dengan aplikasi yang diinginkan.

English Abstract

Coffee is one of Indonesia's flagship commodities that contributes significantly to the country's economy. One of the coffee-producing cities in Indonesia is Batu City, located in East Java Province. The post-harvest processing of coffee in Batu City involves full-wash, semi-wash, and honey processes. The different types of post-harvest processes are closely related to the coffee roasting process. Coffee beans processed using natural, full wash, and honey processes undergo different treatments that determine the roasting pr ocess. Additionally, the different types of post-harvest processes also affect the prices of different coffee beans in the market. Therefore, it is necessary to identify coffee beans using better methods to ensure that buyers are not disadvantaged. One solution is to utilize digital image analysis using Convolutional Neural Network (CNN) methods. Convolutional Neural Network (CNN) is a digital image analysis method specifically designed to process visual data such as images and videos. CNN has been widely used in various applications, including face recognition, object detection in videos, and medical image analysis. In this study, CNN is used to identify the post-harvest processes of coffee. The architecture used for image analysis in this study includes ResNet-18 and MobileNetV2. The results of the study show that both architectures, ResNet-18 and MobileNetV2, achieve the same best accuracy of 98.89% with a data proportion of 70:20:10. Despite variations in the data proportions, there is no significant difference in the performance of both architectures in terms of accuracy. This indicates that both architectures are capable of handling differences in data proportions effectively in the task of identifying the post - harvest processes of Arabica coffee. This research demonstrates that both ResNet-18 and MobileNetV2 architectures provide comparable performance in identifying the post-harvest processes of Arabica coffee. The choice between the two can be considered based on factors such as available computational resources, desired model weight size, and relevant data proportion requirements for the desired application.

Item Type:	Thesis (Sarjana)
Identification Number:	052310
Uncontrolled Keywords:	CNN, pascapanen kopi, pengolahan citra digital CNN, post-harvest processing coffee, image processing
Divisions:	Fakultas Teknologi Pertanian > Teknologi Industri Pertanian
Depositing User:	Unnamed user with username verry
Date Deposited:	09 Jan 2024 08:16
Last Modified:	09 Jan 2024 08:16
URI:	http://repository.ub.ac.id/id/eprint/206814

Text (Dalam Masa Embargo) Masdalifah.pdf Restricted to Registered users only until 31 December 2025. Download (4MB)

Actions (login required)

View Item