KLASIFIKASI KONDISI VISUAL BIJI KOPI ROBUSTA PRA-ROASTING BERBASIS CITRA MENGGUNAKAN CNN DAN RANDOM FOREST DALAM APLIKASI DESKTOP

Kurniawan, Agung Rizky (2026) KLASIFIKASI KONDISI VISUAL BIJI KOPI ROBUSTA PRA-ROASTING BERBASIS CITRA MENGGUNAKAN CNN DAN RANDOM FOREST DALAM APLIKASI DESKTOP. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (838kB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (174kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (231kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (613kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (731kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text (BAB V PENUTUP) BAB V.pdf - Published Version Restricted to Repository staff only Download (215kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (200kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (15MB) | Request a copy

Abstract

Proses sortasi kualitas biji kopi (green beans) robusta pada umumnya masih mengandalkan pengamatan visual manual yang rentan terhadap faktor subjektivitas, kelelahan manusia, dan ketidakkonsistenan hasil klasifikasi. Padahal, tahap pra-roasting ini sangat krusial dalam menentukan cita rasa akhir serta nilai jual produk kopi komersial di pasar. Penelitian ini bertujuan untuk mengklasifikasikan kondisi visual biji kopi robusta secara otomatis ke dalam kategori normal dan cacat (defect) dengan mengintegrasikan metode Convolutional Neural Network (CNN) arsitektur ResNet50 sebagai ekstraktor fitur otomatis yang kuat dan algoritma Random Forest sebagai klasifikator akhir. Penelitian ini menerapkan metode Research and Development (R&D) untuk merancang, membangun, dan mengimplementasikan sistem kecerdasan buatan tersebut ke dalam aplikasi desktop berbasis Python yang ramah pengguna. Berdasarkan hasil pengujian, evaluasi performa model pada data validasi menunjukkan tingkat akurasi yang sangat tinggi yaitu sebesar 98%, dengan nilai precision sebesar 95%, recall sebesar 100%, dan F1-score mencapai 98% untuk kelas defect. Sementara itu, pada kelas normal diperoleh nilai performa precision sempurna sebesar 100%, recall sebesar 96%, dan F1-score sebesar 98%. Selanjutnya, pengujian sistem secara langsung menggunakan data baru (unseen data) yang diambil di lapangan (Mitra Kafe Dekultur) menghasilkan tingkat akurasi generalisasi yang stabil dan handal sebesar 92,5%, di mana sistem berhasil memprediksi secara tepat 37 dari total 40 citra yang diuji. Hasil pengujian fungsionalitas juga membuktikan bahwa seluruh fitur utama aplikasi desktop, seperti fitur input citra, proses ekstraksi, hingga visualisasi probabilitas hasil klasifikasi, dapat berjalan dengan sangat baik, lancar, dan responsif

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Kopi Robusta, Pra-Roasting, CNN, ResNet50, Random Forest, Aplikasi Desktop
Subjects:	T Technology > T Technology (General)
Divisions:	Digital Multimedia Information Technology > Undergraduate Theses
Depositing User:	Pustaka Teknik Komputer
Date Deposited:	06 Oct 2026 01:03
Last Modified:	06 Oct 2026 01:03
URI:	http://eprints.polsri.ac.id/id/eprint/27404

Actions (login required)

View Item