Nadhira, Difa (2026) KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN CITRA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN). S1 thesis, Universitas Malikussaleh.

	Text DIFA SIDANG 2026-Cover.pdf Download (191kB)
	Text DIFA SIDANG 2026-Abstrak.pdf Download (221kB)
	Text DIFA SIDANG 2026-BAB I.pdf Download (188kB)
	Text DIFA SIDANG 2026-Daftar Pustaka.pdf Download (188kB)
	Text DIFA SIDANG 2026.pdf Restricted to Registered users only Download (2MB)

Abstract

Kopi merupakan salah satu komoditas perkebunan strategis yang memiliki kontribusi besar bagi perekonomian Indonesia, namun kualitas akhir biji kopi sangat bergantung pada ketepatan waktu panen yang ditentukan oleh tingkat kematangan buah. Penelitian ini bertujuan untuk merancang sistem klasifikasi tingkat kematangan buah kopi berbasis citra digital yang mampu bekerja secara otomatis, objektif, dan konsisten menggunakan kecerdasan buatan. Metode penyelesaian masalah yang diterapkan dalam penelitian ini adalah Deep Learning menggunakan algoritma Convolutional Neural Network (CNN) dengan pendekatan Transfer Learning berbasis arsitektur MobileNetV2. Dataset yang digunakan terdiri dari 590 citra buah kopi varietas Arabika yang dikelompokkan ke dalam empat kelas kategori: Mentah (Unripe), Setengah Matang (Semi-ripe), Matang (Ripe), dan Terlalu Matang (Overripe), dengan pembagian data latih, validasi, dan uji. Tahapan penelitian mencakup pra-pemrosesan citra melalui resizing ukuran gambar menjadi 224x224 piksel, normalisasi piksel, serta augmentasi data untuk memperkaya variasi pembelajaran model. Model yang telah dilatih kemudian diimplementasikan ke dalam aplikasi web "Coffee" untuk memudahkan penggunaan oleh pengguna. Berdasarkan hasil pengujian dan evaluasi, model CNN ini berhasil mencapai akurasi keseluruhan sebesar 80,36%, dengan performa terbaik pada kelas Mentah mencapai F1-Score 0,96, sedangkan performa terendah pada kelas Terlalu Matang dengan F1-Score 0,40 yang disebabkan oleh ketidakseimbangan jumlah sampel data. Hasil ini menyimpulkan bahwa arsitektur MobileNetV2 efektif sebagai solusi teknologi presisi untuk membantu menjaga standar kualitas panen kopi. Kata Kunci: Citra, Convolutional Neural Network, Kopi, MobileNetV2

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 57201 - Jurusan Sistem Informasi
Depositing User:	Difa Nadhira Nadhira
Date Deposited:	17 Jul 2026 09:42
Last Modified:	17 Jul 2026 09:42
URI:	https://rama.unimal.ac.id/id/eprint/20457

Actions (login required)

View Item