Electronic Theses and Dissertation

Kopi memiliki jenis yang berbeda-beda dan setiap jenis memiliki perbedaan bentuk sesuai dengan klasifikasinya, seperti arabika peaberry, longberry, premium, dan biji kopi yang rusak. Saat ini, petani kopi masih melakukan penyortiran biji kopi secara manual dengan menggunakan tangan dan mengandalkan pengenalan visual, namun tidak semua petani memiliki pengetahuan yang cukup untuk mengidentifikasi jenis biji kopi secara akurat. Hal ini dapat menyebabkan kesalahan dalam proses penyortiran biji kopi. Berdasarkan masalah tersebut, dilakukan penelitian dengan tujuan mengklasifikasikan gambar biji kopi menggunakan metode visi komputer (computer vision) yaitu klasifikasi gambar yang dihubungkan dengan aplikasi mobile dan cloud computing berbasis pembelajaran mendalam (deep learning). Setelah dilakukan penelitian aplikasi mobile berbasis deep learning berhasil dikembangkan. Aplikasi tersebut mampu mengklasifikasikan jenis biji kopi arabika green bean yaitu longberry, peaberry, premium dan defect dengan cepat, efisien, dan presisi. Menggunakan model yang telah dibangun pada penelitian sebelumnya yaitu arsitektur ResNet-18, pengujian berhasil dilakukan dengan mencapai akurasi yang tinggi sebesar 98,81%. Evaluasi usability dilakukan menggunakan indikator mission usability score (MIUS) dan maze usability score (MAUS) dengan menggunakan alat Maze. Skor MAUS sebesar 95 mengindikasikan tingkat usability yang tinggi, menegaskan bahwa aplikasi ini memenuhi kebutuhan pengguna.

Coffee comes in various types, each exhibiting distinct characteristics, reflected in their specific classifications such as Arabica peaberry, longberry, premium, and defective coffee beans. Currently, coffee farmers undertake manual bean sorting, relying on visual recognition to differentiate between these types. However, not all farmers possess the necessary expertise to accurately identify coffee bean types visually. This can lead to errors in the sorting process. To address this issue, a research endeavor was undertaken with the aim of employing computer vision techniques for the classification of coffee bean images. This classification system is integrated into a mobile application and cloud computing framework, utilizing deep learning methodologies. Following the completion of the research, a mobile application founded on deep learning principles was successfully developed. This application effectively classifies Arabica green bean coffee types, namely longberry, peaberry, premium, and defective beans, with speed, efficiency, and precision. Leveraging the previously established ResNet-18 architecture, testing was carried out, yielding an impressive accuracy rate of 98.81%. The usability evaluation was conducted through the employment of indicators, specifically the Mission Usability Score (MIUS) and Maze Usability Score (MAUS), employing the Maze tool. An MAUS score of 95 signifies a high level of usability, affirming that the application fulfills user requirements.