Implementasi Metode CNN dan Deep Learning untuk Menentukan Tingkat Roasting Biji Kopi
DOI:
https://doi.org/10.24076/intechnojournal.2022v4i2.1563Keywords:
CNN, Neural Network, Deep Learning, Algorithma, VGG-16, Tensorflow, Sangrai, Biji KopiAbstract
Tipe hasil roasting biji kopi dapat ditentukan dengan melihat warna biji kopi ketika dalam proses roasting/sangrai. Cara tersebut cukup efektif untuk mendapatkan hasil yang sesuai dengan keinginan namun dapat terjadi masalah konsistensi dan efisiensi. Tujuan akhir penelitian kami yaitu mengembangkan sistem otomatis untuk menentukan tingkat/tipe hasil roasting pada biji kopi untuk produsen atau pengelola biji kopi. Langkah awal dari projek ini yaitu pengembangan sistem image processing yang mengklasifikasikan gambar biji kopi telah disangrai berdasarkan tekstur dan warna. Kami menggunakan convolutional neural network, model arsitektur VGG-16 dan framework Tensorflow untuk mengolah data set gambar berjumlah 100 gambar kelas light roasts, 100 gambar medium roasts dan 100 gambar dark roasts. Rata-rata hasil data latih mencapai 96.0% dan validasi score 60.0%. Dengan akurasi yang cukup tinggi maka dapat membantu pengklasifikasian tingkat roasting biji kopi menjadi lebih konsisten.
References
"Proses pengolahan kopi premier dan sekunder," [Online]. Available: https://coffeeland.co.id/proses-pengolahan-kopi-dari-hulu-ke-hilir/.
"Level sangrai pada kopi," [Online]. Available: https://www.gordi.id/blogs/updates/mengulik-lebih-jauh-soal-profil-dan-gaya-sangrai-kopi.
M. Abadi, P. Braham, J. Chen, Z. Chen, A. Davis, J. Dean, M. Devin, S. Ghemawat, G. Irving, M. Isard, M. Kudlur, J. Levenberg, R. Monga, S. Moore, D. G. Murray, B. Steiner, P. Tucker, V. Vasudevan, P. Warden, M. Wicke, Y. Yu and X. Zhen, "Tensorflow: A System for Large-Scale," USENIX Symposim on Operating Systems Design and Implementation, pp. 265-283, 2016.
M. B. Chaniago and A. P. W. Wibowo, "PENENTUNAN KUALITAS TEKTUR BIJI KOPI JENIS ARABICA MENGGUNAKAN TEKNIK COMPUTER VISION," Seminar Nasional Teknologi Informasi dan Multimedia, pp. 37-40, 2017.
C. Pinto, J. Furukawa, H. Fukai and S. Tamura, "Classification of Green Coffee Bean Images Based on Defect Types Using Convolutional Neural Network (CNN)," IEEE Xplore, 2017.
F. G. O. Parikesit and F. , "Coffee Bean Grade Determination Based on Image Parameter," TELKOMNIKA, pp. 547-554, 2011.
J. Hernández, B. Heyd and G. Trystram, "Prediction of brightness and surface area kinetics during coffee roasting," ELSEVIER Journal of Food Engineering, pp. 156-163, 2008.
L. P. and J. W. , "The Effectiveness of Data Augmentation in Image Clasification Using Deep Learning," 2017.
A. Santoso and G. Ariyanto, "IMPLEMENTASI DEEP LEARNING BERBASIS KERAS UNTUK PENGENALAN WAJAH," EMITOR, 2018.
"Convolutional Neural Network," [Online]. Available: https://medium.com/@samuelsena/pengenalan-deep-learning-part-7-convolutional-neural-network-cnn-b003b477dc94.
M. A. H. Abas, N. Ismail, A. I. M. Yassin and M. N. Taib, "VGG16 Plant Image Clasification with Transfer Learning and Data Augmentation," SPC International Journal of Engineering & Technology, pp. 90-94, 2018.
