Electronic Theses and Dissertation

Kopi merupakan hasil perkebunan yang memiliki peran signifikan di pasar Internasional, dimana Indonesia menjadi salah satu negara eksportir terkemuka. Tingkat kematangan buah kopi sangat berpengaruh terhadap kualitas aroma, rasa, serta nilai jual kopi. Penilaian tingkat kematangan buah kopi biasanya masih dilakukan dengan pendekatan tradisional secara manual berdasarkan pengamatan visual terhadap warna dan tekstur kulit buah. Meskipun umum digunakan, cara ini tidak lepas dari subjektivitas, kurangnya keseragaman, dan memerlukan waktu yang cukup lama saat diterapkan pada jumlah yang banyak. Seiring dengan perkembangan teknologi, metode pengolahan citra dan kecerdasan buatan seperti Convolutional Neural Network (CNN) semakin banyak dimanfaatkan sebagai solusi yang efisien dan akurat dalam klasifikasi citra. Tujuan dari penelitian ini adalah membangun model klasifikasi menggunakan metode CNN yang mampu mengenali pola warna dan bentuk buah kopi dengan akurasi yang tinggi. Dataset citra diklasifikasikan ke dalam tiga kategori: mentah, setengah matang, dan matang. Jumlah seluruh data citra yang digunakan dalam penelitian ini sebanyak 1680 citra dengan data latih sebesar 70%, data latih 15% dan data uji 15% dari total dataset. Performa model ditunjukkan dengan nilai akurasi dan kerugian yang diukur dalam akurasi, recall, presisi, dan F1-score. Hasil pengujian menunjukkan bahwa model yang dirancang menghasilkan akurasi sebesar 97,22%, dengan rata-rata presisi mencapai 97,32%, recall dan F1-score sebesar 97,21%.

Coffee is a plantation product that has a significant role in the international market, where Indonesia is one of the leading exporting countries. The maturity level of coffee fruit greatly affects the quality of aroma, flavor, and selling value of coffee. Assessment of the maturity level of coffee fruit is usually still carried out with a traditional manual approach based on visual observation of the color and texture of the fruit skin. Although commonly used, this method cannot be separated from subjectivity, lack of uniformity, and requires a long time when applied to large quantities. Along with technological developments, image processing and artificial intelligence methods such as Convolutional Neural Network (CNN) are increasingly being utilized as efficient and accurate solutions in image classification. The purpose of this research is to build a classification model using the CNN method that is able to recognize the color and shape patterns of coffee fruit with high accuracy. The image dataset is classified into three categories: unripe, half-ripe, and ripe. The total number of image data used in this study is 1680 images with 70% training data, 15% training data and 15% test data from the total dataset. The performance of the model is shown by the accuracy and loss values measured in accuracy, recall, precision, and F1-score. The test results show that the designed model produces an accuracy of 97.22%, with an average precision of 97.32%, recall and F1-score of 97.21%.