Article Sidebar

Submitted
Apr 24, 2024
Published
May 22, 2024
Download
PDF
Statistic
Read Counter : 71 Download : 91

Main Article Content

Abstract

Dalam bidang pertanian, kopi merupakan salah satu komoditas peluang pengembang pasar dan perdagangan dunia. Sebelum biji kopi diolah menjadi bahan minuman, terlebih dahulu dilakukan penyangraian. Penyangraian yang tepat akan menghasilkan pengolahan yang tepat juga baik dari segi rasa maupun aroma. Untuk menentukan tingkat penyangraian biji kopi dapat dilihat secara langsung, namun tidak sepenuhnya akurat karena bisa saja terjadi human error. Oleh sebab itu, dilakukan simulasi deteksi hasil penyangraian otomatis menggunakan Deep Learning untuk mempermudah proses dan meningkatkan kualitas tingkat penyangraian biji kopi. Tingkat penyangraian meliputi warna light, medium dan dark. Data yang digunakan sebanyak 984 gambar biji kopi dari data primer dan 984 gambar biji kopi dari data sekunder yang teridentifikasi dengan 70 % data training sebanyak 689 gambar, 20 % data validasi sebanyak  197 gambar dan 10 % data testing sebanyak 98 gambar. Dari hasil training didapat bahwa dataset yang diuji adalah akurat karena sistem dapat membaca objek secara tepat dengan presisi 94,24%.

Keywords

deep learning dataset keakuratan data penyangrai kopi

Article Details

Author Biographies

Klara Audilia Aruan, Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Mazmur Pakpahan, Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Nessy Refkha Nadia Sinurat, Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Rafi Fadhilah, Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Riska Yunita, Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Teknik Biosistem, Jurusan Teknologi Produksi dan Industri, Institut Teknologi Sumatera

Mas Wisnu Aninditya, Teknologi Mekanisasi Pertanian, Politeknik Enjiniring Pertanian Indonesia

Teknologi Mekanisasi Pertanian, Politeknik Enjiniring Pertanian Indonesia

Budi Priyonggo, Tata Air Pertanian, Politeknik Enjiniring Pertanian Indonesia

Tata Air Pertanian, Politeknik Enjiniring Pertanian Indonesia

References

  1. [1] Y. K. A. Fernanda and A. R. Setyastuti, "Analisis Ekspor Komoditas Kopi Indonesia Di Pasar Dunia," Jurnal Ilmu Ekonomi, pp. 1-10, 2020.
  2. [2] M. Mutiara, A. Rustam, and N. Nurindah, "Cita rasa khas kopi Topidi melalui proses panen hingga metode pengolahan dry process dan full wash," Filogeni: Jurnal Mahasiswa Biologi, vol. 3, no. 1, pp. 44-54, 2023.
  3. [3] R. A. Fadri, K. Sayuti, N. Nazir, and I. Suliansyah, "Review proses penyangraian kopi dan terbentuknya akrilamida yang berhubungan dengan kesehatan," Journal of Applied Agricultural Science Technology, vol. 3, no. 1, pp. 129-145, 2019.
  4. [4] National Coffee Association USA EST. Coffee Roast. 191.
  5. [5] I. Muslimin, "Pengaruh Tingkatan Suhu Penyangraian (Roasting) terhadap Karakteristik Aroma Kopi Arabika," JASATHP: Jurnal Sains dan Teknologi Hasil Pertanian, vol. 1, no. 1, pp. 33-40, 2021.
  6. [6] D. S. Candra, "Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Citra Bunga," vol. 16, no. 1, pp. 2580–2582, 2020.
  7. [7] R. A. Tilasefana and R. E. Putra, "Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca," Journal of Informatics Computer Science, vol. 5, no. 01, pp. 48-57, 2023.
  8. [8] S. Yuliany and A. N. Rachman, "Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN)," Jurnal Buana Informatika, vol. 13, no. 1, pp. 54-65, 2022.
  9. [9] M. H. Diponegoro, S. S. Kusumawardani, and I. Hidayah, "Tinjauan pustaka sistematis: implementasi metode deep learning pada prediksi kinerja murid," Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 10, no. 2, pp. 131-138, 2021.
  10. [10] J. S. Asri and G. Firmansyah, "Implementasi objek detection dan tracking menggunakan deep learning untuk pengolahan citra digital," Konferensi Nasional Sistem Informasi, pp. 707-723, 2018.
  11. [11] S. Syarif and M. Baharuddin, "Penerapan Metode Convolutional Neural Network pada Face Recognition untuk Smart Loker," JURNAL EKSITASI DEPARTEMEN TEKNIK ELEKTRO, vol. 2, no. 2, pp. 19-26, 2023.
  12. [12] P. A. Nugroho, I. Fenriana, and R. Arijanto, "Implementasi deep learning menggunakan convolutional neural network (CNN) pada ekspresi manusia," Algor, vol. 2, no. 1, pp. 12-20, 2020.
  13. [13] T. A. Son and V. N. A. Tuan, "Research on Effect of Cashew Kernel Traveling in Color Sorting Machine," Journal of Engineering Research and Application, vol. 8, no. 9, pp. 6-10, 2018.