Electronic Theses and Dissertation

Kopi merupakan komoditas utama yang memegang peranan signifikan dalam ekonomi Indonesia. Tingginya produksi dan konsumsi kopi meningkatkan permintaan terhadap persediaan kopi, namun proses penyortiran biji kopi yang dilakukan secara manual oleh petani sering kali menyebabkan kesalahan dalam memilah jenis biji kopi. Meskipun telah banyak penelitian yang menggunakan teknik pembelajaran mendalam (deep learning) dan algoritma Convolutional Neural Network (CNN) untuk klasifikasi biji kopi rusak, pengaruh variasi warna latar belakang dataset belum banyak dibahas. Penelitian ini merancang model deep learning untuk mendeteksi kerusakan biji kopi menggunakan arsitektur ResNet-34, VGG-16, dan EfficientNet-B7, dengan dataset yang latar belakangnya diubah menjadi warna hijau dengan nilai RGB (34,139,34). Setelah dilakukan penelitian, hasil dari evaluasi model menunjukkan nilai akurasi 89,25% untuk ResNet-34, 91,25% untuk VGG-16, dan 90,75% untuk EfficientNet-B7. Kemudian hasil deteksi Grad-CAM menunjukkan model mampu mendeteksi bagian biji kopi dengan heatmap menyorot bagian biji kopi yang rusak dan untuk biji kopi normal heatmap tersebar merata pada biji kopi.

Kata Kunci : Kopi, Deep Learning, Convolutional Neural Network, ResNet-34, VGG-16, EfficientNet-B7, Grad-CAM

Coffee is a major commodity that plays a significant role in the Indonesian economy. The high production and consumption of coffee increases the demand for coffee supplies, but the process of sorting coffee beans manually by farmers often leads to errors in sorting the types of coffee beans. Although many studies have used deep learning techniques and Convolutional Neural Network (CNN) algorithms for the classification of damaged coffee beans, the effect of variations in the background color of the dataset has not been widely discussed. This study designs a deep learning model to detect coffee bean damage using ResNet-34, VGG-16, and EfficientNet-B7 architectures, with a dataset whose background is changed to green with values RGB (34,139,34). After the research, the results of the model evaluation showed an accuracy value of 89.25% for ResNet-34, 91.25% for VGG-16, and 90.75% for EfficientNet-B7. Then the Grad-CAM detection results show that the model is able to detect parts of the coffee bean with the heatmap highlighting the damaged part of the coffee bean and for normal coffee beans the heatmap is evenly distributed on the coffee beans. Keywords: Coffee, Deep Learning, Convolutional Neural Network, ResNet-34, VGG-16, EfficientNet-B7, Grad-CAM