Klasifikasi Jenis Biji Kopi Menggunkan Convolutional Neural Network dan Transfer Learning pada Model VGG16 dan MobileNetV2

Murinto, Murinto and Rosyda, Miftahurrahma and Melany, Martania (2023) Klasifikasi Jenis Biji Kopi Menggunkan Convolutional Neural Network dan Transfer Learning pada Model VGG16 dan MobileNetV2. [Artikel Dosen]

Text alwanihamad,+9.+Murinto+(183-189).pdf - Published Version Download (986kB)

Abstract

Proses pengklasifikasian juga digunakan dalam artificial intelligence (AI), yang merupakan kecerdasan yang dibuat oleh komputer, sehingga dapat menirukan tindakan seperti halnya manusia pada umumnya dan dapat menangkap kejadian yang terjadi di lingkungan sekitarnya. Melihat perkembangan perdagangan kopi internasional yang sangat tinggi, dapat
disimpulkan jika terdapat jenis kopi yang memiliki kualitas terbaiklah yang akan banyak dicari oleh negara pengimpor kopi. Terdapat beberapa jenis kopi diantaranya adalah kopi Arabica, kopi Robusta, kopi Liberica. Pada saat ini kopi sangat banyak di nikmati oleh masyarakat baik itu
kalangan muda atau pun tua, dengan seiring berjalannya waktu pun peminat kopi terus meningkat. Melalui teknologi yang ada saat ini maka dapat dibedakan jenis biji kopi Robusta, Arabica, Liberica. Salah satu teknologi yang dapat digunakan adalah deep learning. Tujuan dari penelitian ini adalah mengusulkan model Convolutional Neural Network
(CNN)-Transfer Learning untuk diimplementasikan pada sistem cerdas untuk proses klasifikasi citra jenis biji kopi. Metode yang digunakan dalam penelitian ini adalah model CNN transfer learning VGG16 dan MobileNetV2. Dari hasil pengujian yang dilakukan pada 3 model yakni
model CNN, Model CNN-transfer learning VGG16 dan MobileNetV2
didapatkan hasil bahwa akurasi yang paling tinggi didapatkan ketika melakukan klasifikasi citra biji kopi dengan menggunakan CNN-transfer learning model MobileNetV2 yakni sebesar 96%. Tingkat akurasi yang meningkat jika dibandingkan dengan model CNN biasa mengindikasikan
bahwa penggunaan transfer learning memberikan efek yang baik pada tingkat akurasi yang didapatkan. Kenaikan sebesar 1% memang tidak terlalu besar akan tetapi dengan adanya kenaikan tersebut membuka peluang untuk meningkatkan lebih tinggi menggunakan model transfer learning lainnya.

Item Type:	Artikel Dosen
Subjects:	T Technology > T Technology (General)
Divisi / Prodi:	Faculty of Industrial Technology (Fakultas Teknologi Industri) > S1-Informatics Engineering (S1-Teknik Informatika)
Depositing User:	murinto murinto
Date Deposited:	27 Aug 2025 02:51
Last Modified:	27 Aug 2025 02:51
URI:	http://eprints.uad.ac.id/id/eprint/86665

Actions (login required)

View Item