Classification of Arabica Coffee Beans Using Convolutional Neural Network
Abstract
Biji kopi Arabika memiliki rasa dan bentuk yang berbeda, menjadikannya salah satu komoditas kopi paling berharga di dunia. Proses memilih biji kopi dikenal sebagai sortasi dalam industri kopi. Identifikasi dan klasifikasi biji kopi dapat menjadi tugas yang sulit dan memakan waktu untuk dilakukan secara manual. Tugas akhir ini menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dengan kinerja yang baik, biji kopi di klasifikasikan menggunakan arsitektur MobileNetV2. Hyperparameter yang terdiri dari epoch, batch size, dan learning rate akan di optimalkan untuk meningkatkan kinerja model CNN. Tujuan dari tugas akhir ini adalah untuk menemukan hyperparameter yang ideal yang akan memberikan kinerja yang baik pada model CNN. Digunakan empat kelas biji kopi di antaranya Premium, Longberry, Peaberry, dan Cacat yang akan diklasifikasi berdasarkan bentuk dan warna dari masingmasing biji kopi.Percobaan sudah dilakukan, menunjukkan bahwa penentuan hyperparameter sangat memengaruhi kinerja model. Dengan learning rate 0.0001, batchsize 16, dan epoch 30 mendapatkan nilai akurasi 88,19%, presisi 96,74%, recall 89%, dan f1-score 92,71%.
Kata kunci: Biji Kopi, Arabika, Klasifikasi, Sortasi, CNN, MobileNetV2
References
K. D. P. R. I. IV, "Parlementaria Terkini - Dewan Perwakilan Rakyat," 2020. https://www.dpr.go.id/berita/detail/id/28110/t/Petani+Kopi+ Hadapi+Tiga+Masalah+Besar (accessed Aug. 09, 2021).
Mawardi, I., Hanif, H., Jennifar, J., & Safaruddin, S. (2021, January 4). PENERAPAN MESIN SORTASI DALAM UPAYA EFESIENSI PROSES PRODUKSI KOPI GAYO SEBAGAI PRODUK UNGGULAN DAERAH ACEH TENGAH. Jurnal Bakti Masyarakat Indonesia, 3(2). https://doi.org/10.24912/jbmi.v3i2.9400.
Rochmawati, N., Hidayati, H. B., Yamasari, Y., Tjahyaningtijas, H. P. A., Yustanti, W., & Prihanto, A. (2021, December 31). Analisa Learning Rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam. Journal of Information Engineering and Educational Technology, 5(2), 44–48. https://doi.org/10.26740/jieet.v5n2.p44-48.
sname. (2020, November 2). Maruti Techlabs. https://marutitech.com/top-8-deep-learning-frameworks/.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. C. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 4510–4520, 2018, doi: 10.1109/CVPR.2018.00474.
F. Hutter, L. Kotthoff, and J. Vanschoren, Automated machine learning: methods, systems, challenges. Springer Nature, 2019.
Febriana, A., Muchtar, K., Dawood, R., Lin, CY.,(2022, June). "USK-COFFEE Dataset: A Multi-class Green Arabica Coffee Bean Dataset for Deep Learning." In 2022 IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom). IEEE.
"History of Arabica," World Coffee Research, Jun. 09, 2023. https://varieties.worldcoffeeresearch.org/arabica2/history-of-arabica.
S. H. Sinaga and E. Julianti, "Physical Characteristics of Gayo Arabica Coffee with Semi-Washed Processing," IOP Conf. Ser. EarthEnviron. Sci., vol. 782, no. 3, 2021, doi: 10.1088/1755- 1315/782/3/032093.
N. Anhofiah, "KARAKTERISTIK MUTU KOPI ARABIKA LONGBERRY DI KBQ BABURRAYYAN HASIL PENGOLAHAN SEMI WASH DENGAN PENGARUH PERLAKUAN LAMA FERMENTASI DAN LAMA PENYANGRAIAN," Anhofiah | Jurnal Pertanian Agros, 2023. https://doi.org/10.37159/j.pagros.v25i1.2407.
D. Suhandy, M. Yulia, and Kusumiyati, "Chemometric Quantification of Peaberry Coffee in Blends Using UV– Visible Spectroscopy and Partial Least Squares Regression," AIP Conf. Proc. 2021, 2018, doi: 10.1063/1.5062774.
"Mengenal Karakteristik Kopi Arabika" [Get to Know the Characteristics of Arabica Coffee] 2020. https://www.dolce-gusto.co.id/mengenal-kopi-arabika (accessed Nov. 03, 2021).
L. F. Torres, "Convolutional Neural Network From Scratch - LatinXinAI - Medium," Medium, Nov. 23, 2023. https://medium.com/latinxinai/convolutional-neuralnetwork-from-scratch-6b1c856e1c07.
Febriana, A., Muchtar, K., Dawood, R., Lin, CY.,(2022, June). "USK-COFFEE Dataset: A Multi-class Green Arabica Coffee Bean Dataset for Deep Learning." In 2022 IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom). IEEE.
Suyanto, Machine Learning Tingkat Dasar dan Lanjut. 2018.
M. R. R. Allaam and A. T. Wibowo, "KLASIFIKASI GENUS TANAMAN ANGGREK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN ) Program Studi Sarjana Informatika Fakultas Informatika Universitas Telkom Bandung," e-Proceeding Eng., vol. 8, no. 2, pp. 1153–1189, 2021.
R. O. Ekoputris, "MobileNet: Deteksi Objek pada Platform Mobile - Nodeflux - Medium," Medium, May 31, 2018. https://medium.com/nodeflux/mobilenet-deteksiobjek-pada-platform-mobile-bbbf3806e4b3
J. Sanjaya and M. Ayub, "Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup," J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 311–323, 2020, doi: 10.28932/jutisi.v6i2.2688.
F. Zaelani and Y. Miftahuddin, "Perbandingan Metode EfficientNetB3 dan MobileNetV2 Untuk Identifikasi Jenis Buah-buahan Menggunakan Fitur Daun," Jurnal Ilmiah Teknologi Infomasi Terapan, vol. 9, no. 1, Dec. 2022, doi: 10.33197/jitter.vol9.iss1.2022.911.
N. Rochmawati, H. B. Hidayati, Y. Yamasari, H. P. A. Tjahyaningtijas, W. Yustanti, and A. Prihanto, "Analisa Learning Rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam," J. Inf. Eng. Educ. Technol., vol. 5, no. 2, pp. 44–48, 2021, doi: 10.26740/jieet.v5n2.p44-48.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. C. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 4510–4520, 2018, doi: 10.1109/CVPR.2018.00474.
Afis Julianto, Andi Sunyoto, and Ferry Wahyu Wibowo, "OPTIMASI HYPERPARAMETER CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT TANAMAN PADI," TEKNIMEDIA: Teknologi Informasi dan Multimedia, vol. 3, no. 2, pp. 98– 105, Dec. 2022, doi: 10.46764/teknimedia v3i2.77.
