Tanjaya, Alfredo (2026) IMPLEMENTASI MODEL DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TINGKAT ROASTING PADA BIJI KOPI. S1 thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.
200710929_Bab 0.pdf
File Pdf (638kB)
200710929_Bab 1.pdf
File Pdf (388kB)
200710929_Bab 2.pdf
File Pdf (907kB)
200710929_Bab 3.pdf
Restricted to Registered users only
File Pdf (613kB)
200710929_Bab 4.pdf
Restricted to Registered users only
File Pdf (848kB)
200710929_Bab 5.pdf
Restricted to Registered users only
File Pdf (848kB)
200710929_Bab 6.pdf
File Pdf (388kB)
Abstract
Penentuan tingkat roasting biji kopi masih banyak dilakukan secara manual melalui
pengamatan visual, sehingga berpotensi menimbulkan subjektivitas dan
ketidakkonsistenan dalam proses identifikasi. Perkembangan teknologi Deep
Learning, khususnya Convolutional Neural Network (CNN), memungkinkan
proses klasifikasi citra dilakukan secara otomatis dengan tingkat akurasi yang
tinggi. Penelitian ini bertujuan mengimplementasikan metode Deep Learning
berbasis CNN untuk mengklasifikasikan tingkat roasting biji kopi secara otomatis
serta membandingkan performa arsitektur DenseNet121, MobileNetV2, dan
EfficientNetB0 guna memperoleh model dengan kinerja terbaik.
Penelitian menggunakan pendekatan eksperimen dengan memanfaatkan dataset
sebanyak 1.200 citra biji kopi yang terdiri atas tiga kelas, yaitu light roast, medium
roast, dan dark roast. Dataset diproses melalui tahapan preprocessing, normalisasi,
data augmentation, serta dibagi menjadi data pelatihan, validasi, dan pengujian
dengan rasio 70:15:15. Ketiga model dilatih menggunakan optimizer Adam, fungsi
loss categorical crossentropy, learning rate 0,0001, batch size 16, dan 50 epoch.
Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan
F1-score.
Hasil penelitian menunjukkan bahwa ketiga model CNN mampu
mengklasifikasikan tingkat roasting biji kopi dengan performa yang sangat baik.
MobileNetV2 menjadi model terbaik dengan nilai accuracy sebesar 98,33%,
precision 98,35%, recall 98,33%, dan F1-score 98,33%. Selain memiliki akurasi
tertinggi, MobileNetV2 juga memiliki waktu pelatihan tercepat, yaitu sekitar 10
menit, serta jumlah parameter yang lebih sedikit dibandingkan model lainnya
sehingga lebih efisien untuk diimplementasikan. Model terbaik kemudian
diintegrasikan ke dalam aplikasi berbasis Streamlit untuk melakukan klasifikasi tingkat roasting secara otomatis.
Penelitian ini membuktikan bahwa CNN mampu meningkatkan objektivitas, konsistensi, dan efisiensi dalam identifikasi tingkat roasting biji kopi. Namun,
penelitian masih terbatas pada dataset biji kopi Arabika dengan tiga kategori roasting, sehingga penelitian selanjutnya disarankan menggunakan dataset yang
lebih beragam serta kondisi pengambilan citra yang lebih bervariasi
| Item Type: | Thesis (S1) |
|---|---|
| Uncontrolled Keywords: | Deep Learning, Convolutional Neural Network, MobileNetV2, klasifikasi citra, tingkat roasting biji kopi. |
| Subjects: | Teknik Informatika > Soft Computing |
| Divisions: | Fakultas Teknologi Industri > Teknik Informatika |
| Date Deposited: | 20 Nov 2026 03:56 |
| Last Modified: | 20 Nov 2026 03:56 |
| URI: | https://repository.uajy.ac.id/id/eprint/38244 |
