Klasifikasi Varietas Biji Kopi Indonesia Berdasarkan Indikasi Geografis Menggunakan Citra Digital dan Pemodelan Machine Learning

Amalia, Lara and Prof. Yusuf Hendrawan, STP.,M.App.Life Sc., Ph.D and Dr. Agr.Sc. Dimas Firmanda Al Riza, ST., M.Sc (2024) Klasifikasi Varietas Biji Kopi Indonesia Berdasarkan Indikasi Geografis Menggunakan Citra Digital dan Pemodelan Machine Learning. Sarjana thesis, Universitas Brawijaya.

Abstract

Kopi merupakan jenis tanaman tropis hasil perkebunan yang memiliki nilai ekonomis tinggi dan salah satu tanaman budidaya di Indonesia dengan potensi yang cukup besar, sehingga kopi menjadi andalan yang mendukung perekonomian dengan menghasilkan devisa negara. Produksi kopi Indonesia pada tahun 2023 sebesar 789.609 ton, dimana angka ini membuat indonesia menduduki sebagai negara terbesar ketiga penghasil kopi setelah Brazil dan Vietnam. Harga kopi yang tinggi ditentukan oleh kualitas termasuk ciri khas dan karakteristik, terutama kopi yang telah tersertifikasi Indikasi Geografis (GI). Eksklusivitas kopi tersebut membuat harganya menjadi relatif tinggi sehingga menyebabkan terjadinya pemalsuan terhadap kopi biasa. Oleh karena itu, tidak sedikit dari petani maupun coffee expert kesulitan dalam membedakan varietas kopi berdasarkan green bean. Sehingga diperlukan standard dalam menentukan jenis kopi berdasarkan karakteristik kopi untuk menghasilkan jenis kopi yang akurat. Teknologi Computer vision dapat melihat dan menganalisis seperti layaknya manusia yang dapat menganalisis, dan mendeteksi objek dengan menggabungkan kamera, sistem komputasi, perangkat lunak, serta kecerdasan buatan untuk klasifikasi sehingga dapat mengidentifikasi jenis kopi. Tujuan dari penelitian ini adalah membangun pemodelan machine learning dengan menerapkan fitur extraction menggunakan green bean robusta, arabika, dan liberika. Klasifikasi dilakukan dengan tiga label yakni label 1 berdasarkan varietas diantaranya arabika, robusta, dan liberika, label 2 berdasarkan geografis Indonesia diantaranya Indonesia barat dan Indonesia timur, serta lebel 3 berdasarkan pulau di Indonesia diantaranya pulau Sumatera, Jawa, Bali, Nusa tenggara, Sulawesi, dan Papua menggunakan fitur warna, tekstur, dan bentuk. Penelitian ini dilakukan secara uji non desktruktif dengan pengambilan citra menggunakan computer vision berbasis reflektansi. Input data yang sudah didapatkan berupa hasil ekstrak fitur warna, tekstur dan bentuk kemudian diproses dan diolah menggunakan metode algoritma machine learning meliputi KNN (K-Nearest Neighbor), SVM (Support Vector Machine), dan Random Forest. Rekomendasi pemodelan algoritma machine learning terbaik model Random Forest dengan normalisasi min-max didapatkan hasil training test sebesar 1,000 dan accuracy test sebesar 1,000.

English Abstract

Coffee is a type of tropical plant produced from plantations that has high economic value and is one of the cultivated plants in Indonesia with quite large potential, so coffee has become a mainstay that supports the economy by generating foreign exchange for the country. Indonesia's coffee production in 2023 will be 789,609 tons, which makes Indonesia the third largest coffee producing country after Brazil and Vietnam. High coffee prices are determined by quality including characteristics and features, especially coffee that has been certified as a Geographical Indication (GI). The exclusivity of this coffee makes the price relatively high, causing counterfeiting of ordinary coffee. Therefore, quite a few farmers and coffee experts have difficulty distinguishing coffee varieties based on green beans. So standards are needed to determine the type of coffee based on the characteristics of the coffee to produce an accurate type of coffee. Computer vision technology can see and analyze just like humans can analyze and detect objects by combining cameras, computing systems, software and artificial intelligence for classification so that they can identify types of coffee. The aim of this research is to build machine learning modeling by applying feature extraction using green beans robusta, arabica and liberica. Classification is carried out with three labels, namely label 1 based on varieties including arabica, robusta and liberica, label 2 based on Indonesian geography including western Indonesia and eastern Indonesia, and label 3 based on islands in Indonesia including the islands of Sumatra, Java, Bali, Nusa Tenggara, Sulawesi, and Papua uses color, texture and shape features. This research was carried out using a non-destructive test by taking images using reflectance-based computer vision. The input data that has been obtained is in the form of extracted color, texture and shape features and then processed and processed using machine learning algorithm methods including KNN (K-Nearest Neighbor), SVM (Support Vector Machine), and Random Forest. Recommendations for the best machine learning algorithm modeling Random Forest model with min-max scaling obtained training test results of 1,000 and accuracy test of 1,000.

Item Type:	Thesis (Sarjana)
Identification Number:	0524100101
Uncontrolled Keywords:	Biji Kopi, KNN, Machine Learning, Random Forest, SVM-Coffee Beans, KNN, Machine Learning, Random Forest, SVM
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	soegeng sugeng
Date Deposited:	12 Jun 2024 08:19
Last Modified:	12 Jun 2024 08:19
URI:	http://repository.ub.ac.id/id/eprint/220682

Text (Rancangan Instalasi Pengolahan Air Limbah (IPAL) Industri Pengolahan Udang Beku Politeknik Kelautan dan Perikanan Sidoarjo.) Lara Amalia.pdf Restricted to Registered users only Download (8MB)

Actions (login required)

View Item