PENERAPAN METODE TRANSFER LEARNING DALAM KLASIFIKASI BIJI KOPI HASIL SANGRAI DENGAN ARSITEKTUR INCEPTION-V3

MUHAMMAD AYASHA ALFIAH AJERTI (2025) PENERAPAN METODE TRANSFER LEARNING DALAM KLASIFIKASI BIJI KOPI HASIL SANGRAI DENGAN ARSITEKTUR INCEPTION-V3. Skripsi thesis, Universitas Bina Insan Lubuklinggau.

Text RAMA_55201_2102020152.pdf Download (21MB)

Abstract

ABSTRAK Penelitian ini bertujuan untuk menerapkan metode Transfer Learning menggunakan arsitektur Inception-V3 dalam mengklasifikasikan tingkat sangrai (roasting level) biji kopi secara akurat. Tingkat sangrai merupakan faktor penting yang memengaruhi cita rasa, aroma, dan kualitas keseluruhan dari kopi. Klasifikasi tingkat sangrai secara manual kerap kali bersifat subjektif dan tidak konsisten. Oleh karena itu, penelitian ini mengusulkan sebuah model deep learning untuk mendukung proses klasifikasi yang objektif dan otomatis, sehingga dapat meningkatkan kualitas pengendalian mutu pada industri kopi. Dataset yang digunakan dalam penelitian ini terdiri dari citra biji kopi pada empat kategori tingkat sangrai yang berbeda, yaitu Green, Light, Medium, dan Dark, masing-masing dengan jumlah 100 sampel. Proses pelatihan model dilakukan selama beberapa epoch dengan menggunakan arsitektur Inception-V3 yang dikenal efektif dalam melakukan ekstraksi fitur pada citra. Hasil pelatihan menunjukkan bahwa model mampu mencapai akurasi pelatihan maksimum sebesar 97,85% dan akurasi validasi sebesar 94,00% pada epoch terakhir. Analisis kurva pembelajaran menunjukkan adanya peningkatan akurasi yang stabil dan penurunan nilai loss yang konsisten, yang mengindikasikan bahwa model mengalami konvergensi yang baik tanpa gejala overfitting. Evaluasi performa model dilakukan menggunakan classification report dan confusion matrix. Laporan klasifikasi menunjukkan nilai presisi, recall, dan F1-score yang tinggi pada seluruh kelas, dengan akurasi keseluruhan sebesar 97,50%. Berdasarkan confusion matrix, model menunjukkan kemampuan klasifikasi yang sangat baik dengan jumlah kesalahan klasifikasi yang sangat rendah; misalnya, kelas Green berhasil diklasifikasikan secara sempurna, sedangkan kelas lain seperti Light dan Medium yang memiliki kemiripan visual hanya mengalami kesalahan kecil. Selain itu, pada pengujian prediksi individu terhadap citra biji kopi tingkat sangrai Light, model mampu menghasilkan prediksi dengan tingkat kepercayaan (confidence) sebesar 100%, yang menunjukkan ketangguhan model dalam skenario nyata. Hasil penelitian ini membuktikan bahwa Inception-V3 dengan pendekatan transfer learning sangat efektif dalam mengklasifikasikan tingkat sangrai biji kopi. Kemampuan otomatisasi klasifikasi sangrai dengan tingkat akurasi tinggi ini memberikan nilai tambah yang signifikan bagi pelaku industri kopi dalam menjamin konsistensi mutu produk dan efisiensi operasional. Selain itu, studi ini juga menegaskan potensi luas teknologi deep learning dalam sektor pangan dan pertanian, khususnya pada tugas-tugas yang memerlukan pembedaan visual yang detail.. Kata Kunci : kopi sangrai, Klasifikasi, Inception-V3

Item Type:	Thesis (Skripsi)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Komputer > Program Studi Informatika
Depositing User:	Admin Perpus UnivBI
Date Deposited:	30 Mar 2026 08:30
Last Modified:	30 Mar 2026 08:30
URI:	https://eprints.univbinainsan.ac.id/id/eprint/635

Actions (login required)

View Item