Analisis Komparasi Pre-trained Convolutional Neural Network untuk Deteksi Mutu Green Coffee Bean

Abstract

Penentuan kualitas biji kopi pada dasarnya memerlukan keahlian dan pengecekan terhadap biji kopi yang membutuhkan waktu tidak sedikit serta kualitas penilaian yang tidak konsisten karena berdasarkan subjektifitas dari setiap operator. Di Indonesia sendiri menerapkan standar nasional kualitas atau mutu biji kopi yakni dengan melihat faktor dari nilai cacat dan diklasifikasikan sesuai mutu biji kopi. Pada saat ini penentuan kualitas biji kopi dengan menggunakan nilai cacat sebagai acuan masih dilakukan menggunakan perhitungan manual yaitu dengan mengambil sampel dan menghitung satu-persatu jenis cacat pada tiap sampel biji kopi. Oleh karena itu, dibutuhkan adaptasi teknologi dalam proses identifikasi mutu green coffee bean. Pendekatan yang diusulkan dalam penelitian ini adalah deep learning dengan konsep image classification menggunakan pre-trained model CNN arsitektur DenseNet121, MobileNet_V3, ShuffleNet_V2 dan EfficientNet_V2. Penelitian sebelumnya terkait permasalahan ini hanya berfokus pada identifikasi warna dan jenis biji kopi yang tidak mengacu pada SNI 01-2907-2008 tentang biji kopi. Pada penelitian ini bertujuan menganalisis model pre-trained dan membandingkan kinerja model menggunakan algoritma CNN untuk mendeteksi identifikasi mutu green coffee bean berdasarkan parameter SNI 10-2907-2008. Perbandingan kinerja algoritma klasifikasi yang digunakan untuk mendapatkan model arsitektur terbaik dalam identifikasi mutu green coffee bean. Selain itu hasil dari penelitian ini diharapkan dapat memberikan alternatif metode identifikasi mutu green coffee bean yang lebih efektif dengan penilaian kualitas mutu yang baik dan konsisten serta mendukung upaya penerapan standar mutu kopi sesuai SNI. Penelitian ini menggunakan biji kopi jenis robusta yang belum mengalami penyortiran dengan pengolahan pasca panen natural process. Biji kopi tersebut dilakukan sortasi biji normal hingga 20 jenis cacat untuk menghasilkan 7 kelas mutu. Pengambilan data citra dilakukan menggunakan smartphone untuk menghasilkan dataset gambar yang terdiri dari 7 kelas mutu dengan 105 citra pada setiap kelas. Selanjutnya dilakukan pelatihan model dimulai dari input, data splitting, praproses data, fase adaptasi, fase fine tuning serta hyperparameter tuning untuk memberikan parameter yang optimal pada final model. Penelitian ini berhasil melakukan deteksi mutu green coffee bean berdasarkan mutu yang tertuang pada SNI 01-2907-2008. Hasil kinerja terbaik dalam deteksi mutu biji kopi adalah arsitektur DenseNet121 dengan proporsi data 80:15 dan optimizer RMSProp yang menghasilkan kinerja precision sebesar 0,95 dan recall sebesar 0,94. Penelitian ini merupakan langkah awal yang berpotensi diterapkan pada pascapanen kopi dengan diperlukan beberapa peningkatan pada penelitian lanjutan seperti penambahan variasi citra serta pengembangan perangkat lunak untuk aplikasi praktis pada industri.