Sistem Klasifikasi Tingkat Kematangan Biji Kopi Roasted Menggunakan Metode Support Vector Machine Berbasis Citra Digital

Denislam, Destu (2026) Sistem Klasifikasi Tingkat Kematangan Biji Kopi Roasted Menggunakan Metode Support Vector Machine Berbasis Citra Digital. Diploma thesis, Politeknik Negeri Jember.

	Text (Ringkasan) Ringkasan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (153kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (189kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (185kB)
	Text (Laporan Lengkap) fix Laporan Akhir - Destu Denislam.pdf - Submitted Version Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Proses penentuan tingkat kematangan biji kopi roasted masih banyak dilakukan secara manual berdasarkan pengamatan visual, sehingga hasilnya cenderung subjektif dan bergantung pada pengalaman roaster atau barista. Kondisi tersebut mendorong perlunya sistem klasifikasi yang mampu mengidentifikasi tingkat kematangan biji kopi secara otomatis, objektif, dan konsisten. Penelitian ini bertujuan mengembangkan sistem klasifikasi tingkat kematangan biji kopi roasted berbasis citra digital menggunakan metode Support Vector Machine (SVM). Objek penelitian berupa biji kopi robusta dari Dayana Roastery, Jember, yang diklasifikasikan ke dalam tiga kelas, yaitu light roast, medium roast, dan dark roast. Dataset yang digunakan berjumlah 285 citra, terdiri atas 228 citra data latih (80%) dan 57 citra data uji (20%). Tahapan penelitian meliputi akuisisi data, preprocessing, ekstraksi fitur warna RGB menggunakan nilai mean dan standard deviation, normalisasi data, pelatihan model SVM dengan kernel Radial Basis Function (RBF), serta optimasi parameter menggunakan GridSearchCV. Model yang dihasilkan kemudian diintegrasikan ke dalam aplikasi web berbasis Laravel yang menyediakan fitur live camera, unggah gambar, autentikasi pengguna, dan riwayat klasifikasi. Hasil pengujian menunjukkan bahwa model SVM memperoleh akurasi sebesar 94,74% dengan nilai precision, recall, dan F1-score yang tinggi pada setiap kelas. Pengujian fungsional menggunakan metode Black Box Testing juga menunjukkan seluruh fitur sistem berjalan sesuai dengan kebutuhan. Dengan demikian, sistem yang dikembangkan mampu menjadi solusi praktis dalam membantu proses identifikasi tingkat kematangan biji kopi roasted secara cepat, objektif, dan terdokumentasi.

Actions (login required)

View Item