KLASIFIKASI TINGKAT KEMATANGAN ROASTING BIJI KOPI BERBASIS DEEP LEARNING DENGAN ARSITEKTUR MOBILENET

Tegar Firmansyah (2025) KLASIFIKASI TINGKAT KEMATANGAN ROASTING BIJI KOPI BERBASIS DEEP LEARNING DENGAN ARSITEKTUR MOBILENET. Skripsi thesis, Universitas Bina Insan Lubuklinggau.

Text RAMA_55201_2102020110.pdf Download (17MB)

Abstract

Kopi merupakan salah satu bahan minuman yang banyak dikonsumsi di Indonesia dan memiliki nilai ekonomi tinggi untuk meningkatkan perekonomian masyarakat serta sebagai sumber devisa negara. Proses roasting menjadi tahapan penting dalam pengolahan kopi karena memengaruhi aroma dan rasa kopi. Namun, penentuan tingkat roasting secara visual sering kali kurang akurat dan rawan kesalahan manusia. Untuk mengatasi masalah ini, penelitian ini menggunakan pendekatan deep learning dengan metode transfer learning berbasis arsitektur MobileNet untuk mengklasifikasikan tingkat kematangan roasting kopi berdasarkan citra digital. MobileNet dipilih karena arsitekturnya yang ringan dan cepat, cocok untuk implementasi pada perangkat seluler. Penelitian ini bertujuan membandingkan kinerja model dalam mendeteksi tingkat roasting kopi secara otomatis, efisien, dan objektif. Dengan pendekatan ini, diharapkan penggemar kopi maupun produsen dapat dengan mudah mengenali jenis roasting kopi, mendukung konsistensi kualitas produk, dan mengurangi ketergantungan pada tenaga ahli dalam proses roasting. Penelitian ini menganalisis kinerja model klasifikasi dengan hasil yang menunjukkan performa sangat baik. Model mencapai akurasi total 99,50%, dengan nilai precision, recall, dan f1-score yang konsisten tinggi pada semua kelas, termasuk beberapa kelas dengan skor sempurna (1.000). Evaluasi menggunakan kurva ROC dan AUC juga menunjukkan kemampuan model dalam membedakan kelas secara sempurna (AUC = 1.000). Analisis confusion matrix mengungkapkan bahwa kesalahan klasifikasi sangat minim dan terkonsentrasi pada kelas tertentu, seperti Dark dan Medium, memberikan ruang untuk perbaikan lebih lanjut. Hasil ini menegaskan relevansi praktis model dalam aplikasi klasifikasi gambar atau pengenalan pola yang membutuhkan akurasi tinggi. Meskipun demikian, pengujian pada dataset baru dan pengoptimalan tambahan, seperti tuning hyperparameter atau augmentasi data, disarankan untuk meningkatkan generalisasi model. Secara keseluruhan, model ini menunjukkan potensi besar dan keandalan yang tinggi untuk aplikasi dunia nyata. Kata Kunci : MobileNet, roasting kopi, deep learning

Item Type:	Thesis (Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Komputer > Program Studi Informatika
Depositing User:	Admin Perpus UnivBI
Date Deposited:	06 Feb 2026 04:42
Last Modified:	06 Feb 2026 04:42
URI:	http://eprints.univbinainsan.ac.id/id/eprint/479

Actions (login required)

View Item