Classification of Coffee Fruit Ripe Levels from the Tree Using InceptionResnetv2, and MobileNetv2
DOI:
https://doi.org/10.33084/bitnet.v10i1.9278Keywords:
klasifikasi, buah kopi, coffee fruit, coffee cherry, coffee berry, CNN, InteptionResnetV2, MobileNetV2Abstract
Tanaman kopi adalah komoditas ekpor terbesar dalam peningkatan ekonomi negara berkembang. Kopi memiliki peran penting dalam budaya Indonesia, dengan sejarah panjang dan berbagai citra rasa yang kaya. Ada dua jenis utama kopi di Indonesia: Arabika dan Robusta. Kematangan dan pengolahan biji kopi menjadi salah satu pengaruh citra rasa kopi. Untuk menghasilkan biji kopi berkualitas tinggi, proses pemanenan biji kopi yang tepat pada tingkat kematangan yang ideal sangat penting. MobileNet adalah arsitektur jaringan saraf tiruan CNN yang menggunakan konvolusi yang dipisahkan secara kedalaman (depthwise separable convolutions), untuk membuat jaringan yang ringan yang memungkinkan penggunaan sumber daya komputasi yang efektif. Penelitian ini akan memanfaatkan keunggulan arsitektur InceptionResNetV2 dan MobileNetV2 untuk mengatasi masalah yang rumit dengan klasifikasi gambar. Ini juga akan memanfaatkan kemampuan arsitektur MobileNet dan InceptionResNet untuk melakukan transfer learning dari dataset yang lebih besar, seperti ImageNet. Perbandingan dari 2 model yang digunakan hasil performa akurasi yang paling tinggi model MobileNetV2 yang sebesar ± 99%, diikuti InceptionResNetV2 = 90%.
Downloads
References
Ajib Susanto, Yupie Kusumawati, Ericsson Dhimas Niagara, & Christy Atika Sari. (2022). Convolutional Neural Network Dalam Sistem Deteksi Helm Pada Pengendara Motor. Seminar Nasional Teknologi Dan Multidisiplin Ilmu (SEMNASTEKMU), 2(1), 91–99. https://doi.org/10.51903/semnastekmu.v2i1.158
Ardiansyah, A., & Hasan, N. F. (2023). Deteksi dan Klasifikasi Penyakit Pada Daun Kopi Menggunakan Yolov7. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 12(1), 30–35. https://doi.org/10.32736/sisfokom.v12i1.1545
Bazame, H. C., Molin, J. P., Althoff, D., & Martello, M. (2021). Detection, classification, and mapping of coffee fruits during harvest with computer vision. Computers and Electronics in Agriculture, 183(October 2020). https://doi.org/10.1016/j.compag.2021.106066
Gumulya, D., & Helmi, I. S. (2017). Kajian Budaya Minum Kopi Indonesia. Jurnal Dimensi Seni Rupa Dan Desain, 13(2), 153–172. https://doi.org/10.25105/dim.v13i2.1785
Khasoggi, B., Ermatita, & Samsuryadi. (2019). Efficient mobilenet architecture as image recognition on mobile and embedded devices. Indonesian Journal of Electrical Engineering and Computer Science, 16(1), 389–394. https://doi.org/10.11591/ijeecs.v16.i1.pp389-394
Michael, A., & Garonga, M. (2021). Classification model of ‘Toraja’ arabica coffee fruit ripeness levels using convolution neural network approach. ILKOM Jurnal Ilmiah, 13(3), 226–234. https://doi.org/10.33096/ilkom.v13i3.861.226-234
Momeny, M., Jahanbakhshi, A., Jafarnezhad, K., & Zhang, Y. D. (2020). Accurate classification of cherry fruit using deep CNN based on hybrid pooling approach. Postharvest Biology and Technology, 166(April), 111204. https://doi.org/10.1016/j.postharvbio.2020.111204
Myagila, K., & Kilavo, H. (2022). A Comparative Study on Performance of SVM and CNN in Tanzania Sign Language Translation Using Image Recognition. Applied Artificial Intelligence, 36(1). https://doi.org/10.1080/08839514.2021.2005297
Rabbani, H. A., Rahman, M. A., & Rahayudi, B. (2021). Perbandingan Ruang Warna RGB dan HSV dalam Klasifikasi Kematangan Biji Kopi. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(6), 2243–2248. http://j-ptiik.ub.ac.id
Raysyah, S., Arinal, V., & Mulyana, D. I. (2021). KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN DETEKSI WARNA MENGGUNAKAN METODE KNN DAN PCA. Sistem Informasi |, 8(2), 88–95.
Rusman, J., & Pasae, N. (2023). Prototype Sistem Penyortir Buah Kopi Arabika Berdasarkan Tingkat Kematangan Menggunakan Metode Support Vector Machine. Teknika, 12(1), 65–72. https://doi.org/10.34148/teknika.v12i1.602
Saragih, R. E., & Emanuel, A. W. R. (2021). Banana Ripeness Classification Based on Deep Learning using Convolutional Neural Network. 3rd 2021 East Indonesia Conference on Computer and Information Technology, EIConCIT 2021, 85–89. https://doi.org/10.1109/EIConCIT50028.2021.9431928
Sihombing, H. A., & Buulolo, I. C. (2021). Pengenalan Buah Kopi Berdasarkan Parameter Warna Menggunakan Algoritma Backpropagation Dan Algoritma Support Vector Machine (Svm). Seminastika, 3(1), 26–32. https://doi.org/10.47002/seminastika.v3i1.234
Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. A. (2017). Inception-v4, inception-ResNet and the impact of residual connections on learning. 31st AAAI Conference on Artificial Intelligence, AAAI 2017, 4278–4284. https://doi.org/10.1609/aaai.v31i1.11231
Tamayo-Monsalve, M. A., Ruiz, E. M., Pulgarin, J. P. V., Ortiz, M. A. B., Arteaga, H. B. A., Rubio, A. M., Alzate-Grisales, J. A., Garzon, D. A., Cano, V. R., Arias, S. O., Osorio, G., & Soto, R. T. (2022). Coffee Maturity Classification Using Convolutional Neural Networks and Transfer Learning. IEEE Access, 10, 42971–42982. https://doi.org/10.1109/ACCESS.2022.3166515
Waliyansyah, R. R., & Umar Hafidz Asy’ari Hasbullah. (2021). Comparison of Tree Method, Support Vector Machine, Naïve Bayes, and Logistic Regression on Coffee Bean Image. EMITTER International Journal of Engineering Technology, 9(1), 126–136. https://doi.org/10.24003/emitter.v9i1.536
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jodi WIjaya, Kusrini
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
All rights reserved. This publication may be reproduced, stored in a retrieval system, or transmitted in any form or by any means, electronic, mechanical, photocopying, recording.