Electronic Theses and Dissertation

Proses panen buah kopi yang tepat sangat menentukan kualitas biji kopi yang dihasilkan. Namun, metode manual yang masih banyak digunakan oleh petani sering kali menghasilkan ketidakkonsistenan dan membutuhkan waktu yang lama. Penelitian ini bertujuan untuk merancang dan mengembangkan alat pendeteksi kematangan buah kopi arabika menggunakan sensor warna TCS3200 berbasis Arduino dengan metode K-Nearest Neighbor (K-NN). Sensor TCS3200 digunakan untuk membaca nilai RGB dari buah kopi, yang kemudian diklasifikasikan ke dalam tiga kategori kematangan, yaitu mentah, setengah matang, dan matang menggunakan algoritma K-NN. Penelitian ini menggunakan 300 sampel buah kopi sebagai data latih dan 150 sampel buah kopi sebagai data uji. Metode yang digunakan pada penelitian ini adalah K-Nearest Neighbor (K-NN), sementara analisis kinerja alat dilakukan dengan menggunakan metode confusion matrix. Hasil pengujian menunjukkan bahwa nilai K terbaik dalam penelitian ini adalah K=20, karena memberikan keseimbangan optimal antara bias dan varians, serta menghasilkan tingkat kesalahan yang lebih rendah dibandingkan nilai K lainnya dengan akurasi mencapai 87%. Dengan nilai K ini, alat yang dikembangkan memiliki akurasi 81,33%, presisi rata-rata 81,42%, recall rata-rata 81,33% dan F1 score rata-rata. 81,36%.

The accuracy of coffee cherry harvesting significantly determines the quality of the coffee beans produced. However, the manual methods still widely used by farmers often result in inconsistency and require a long processing time. This study aims to design and develop a coffee ripeness detection tool for Arabica coffee using the TCS3200 color sensor based on Arduino with the K-Nearest Neighbor (K-NN) method. The TCS3200 sensor is used to read the RGB values of coffee cherries, which are then classified into three ripeness categories: unripe, half-ripe, and ripe, using the K-NN algorithm. This study utilized 300 coffee cherry samples as training data and 150 samples as test data. The method used in this research is K-Nearest Neighbor (K-NN), while the performance analysis of the tool was conducted using the confusion matrix method. The test results showed that the optimal K value in this study is K=20, as it provides a balance between bias and variance while yielding a lower error rate compared to other K values, achieving an accuracy of 87%. With this K value, the developed tool achieved an accuracy of 81.33%, an average precision of 81.42%, an average recall of 81.33%, and an average F1-score of 81.36%.