Electronic Theses and Dissertation
Universitas Syiah Kuala
THESES
KOMPARASI NILAI AKURASI BIJI KOPI MENGGUNAKANRNARSITEKTUR RESNET-18 DAN MOBILENETV2 DALAM MENGKLASIFIKASI BIJI KOPI NORMAL DAN BIJI KOPI DEFECT BERBASIS DEEP LEARNING
Pengarang
Fajrul Islamy - Personal Name;
Dosen Pembimbing
Fitri Arnia - 197311121999032001 - Dosen Pembimbing I
Kahlil - 198512022019031006 - Dosen Pembimbing II
Nomor Pokok Mahasiswa
2004205010002
Fakultas & Prodi
Fakultas Teknik / Teknik Elektro (S2) / PDDIKTI : 20101
Subject
Kata Kunci
Penerbit
Banda Aceh : Program Studi Magister Teknik Elektro., 2022
Bahasa
No Classification
-
Literature Searching Service
Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)
Biji kopi merupakan salah satu komoditas bernilai tinggi di Indonesia namun dalam pemilahan kualitas biji kopi masih menggunakan metode visual dan ayakan dengan mesin mekanik. Penelitian ini bertujuan untuk memberikan alternatif dalam mengklasifikasi biji kopi menggunakan algoritma Deep Learning serta arsitektur ResNet-18 dan MobileNetV2. Model akan digunakan dalam fase pelatihan, validasi dan pengujian. Dataset yang digunakan yaitu USK-coffee yang terdiri dari dua kelas yaitu kelas biji kopi normal dan biji kopi defect dan data yang digunakan dibagi menjadi dua jenis yaitu data seimbang (balanced data) dan data tidak seimbang (imbalanced data). Hasil penelitian ini yaitu model klasifikasi biji kopi dari dua arsitektur untuk dapat dibandingkan tingkat akurasi nya. Dari hasil penelitian ini didapatkan nilai akurasi untuk model arsitektur ResNet-18 pada sebesar 91,50% pada data seimbang dan pada data tidak seimbang 90,87% sementara pada arsitektur MobileNetV2 didapatkan akurasi pada data seimbang sebesar 81,25% dan pada data tidak seimbang sebesar 81,12%.
Kata kunci: Biji kopi, Deep Learning, Nilai akurasi, ResNet-18, MobileNetV2
Coffee beans are one of the high-value commodities in Indonesia, but the sorting method of quality of coffee beans is still use visual methods and sieves with mechanical machines. This study aims to provide an alternative in classifying coffee beans using Deep Learning algorithms and ResNet-18 and MobileNetV2 as Deep learning’s architectures. The model will be used in the training, validation, and testing phases. The dataset used is USK-coffee which consists of two classes, the normal coffee bean class and the defect coffee bean class and the data used is divided into two types, balanced data and unbalanced data. The result of this research is the classification model of coffee beans from two architectures to compare of its accuracy. From the results of this study, the accuracy value for the ResNet-18 architecture model was 91.50% for balanced data and 90.87% for unbalanced data while on the MobileNetV2 architecture, the accuracy for balanced data was 81.25% and for unbalanced data. by 81.12%. Keywords: Coffee beans, Deep Learning, Accuracy value, ResNet-18, MobileNetV2
ANALISIS DAMPAK WARNA LATAR TERHADAP KLASIFIKASI BIJI KOPI BERBASIS DEEP LEARNING (Patimah Lubis, 2024)
PERBANDINGAN KINERJA METODE DEEP LEARNING DALAM PENDETEKSIAN KERUSAKAN BIJI KOPI (Yayang Hafifah, 2023)
DETEKSI BIJI KOPI MULTIKELAS DENGAN DEEP LEARNING DAN VISUALISASI INTERAKTIF MENGGUNAKAN FRAMEWORK STREAMLIT (Imam Sayuti, 2025)
PENGEMBANGAN APLIKASI MOBILE UNTUK DETEKSI JENIS BIJI KOPI BERBASIS DEEP LEARNING (T. Munawar khalil, 2023)
ANALISIS KADAR AIR GABAH KOPI ARABIKA SEBELUM HULLING PADA BEBERAPA KILANG KOPI DI KETINGGIAN TEMPAT YANG BERBEDA DI KABUPATEN ACEH TENGAH (KENDY WIRAYUDHA, 2025)