Article Sidebar
Main Article Content
Abstract
Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat kematangan biji kopi menggunakan neural network dengan algoritma backpropagation. Tingkat kematangan biji kopi dibagi ke dalam tiga kategori, yaitu light roast, medium roast, dan dark roast, dengan parameter input berupa suhu maksimum dan durasi proses penyangraian. Data yang digunakan diperoleh dari eksperimen yang dilakukan dengan mesin sangrai otomatis. Model ini dioptimalkan menggunakan algoritma Adam dan dievaluasi menggunakan fungsi loss Mean Squared Error (MSE) dan Sum of Squared Error (SSE). Untuk menilai akurasi klasifikasi, evaluasi kinerja dilakukan dengan menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan tingkat kematangan biji kopi dengan akurasi yang sangat tinggi, mencapai 96,67% pada data uji. Dalam penelitian ini, variasi learning rate dan jumlah hidden unit juga diuji untuk mencari konfigurasi yang optimal. Hasilnya menunjukkan bahwa kombinasi learning rate sebesar 0,01 dan jumlah hidden unit sebanyak 15 memberikan performa terbaik dengan kestabilan dan efisiensi pelatihan yang sangat baik.
Keywords
Article Details
Copyright (c) 2025 Bima Faturrahman, Joko Endrasmono, Mirza Ardiana, Agus Khumaidi, Zindhu Maulana Ahmad Putra, Aulia Rahma Annisa
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
- Roasting Biji Kopi,” Intechno J. (Information Technol. Journal), vol. 4, no. 2, hal. 48–54, 2022, doi: 10.24076/intechnojournal.2022v4i2.1563.
- I. Alfiantama, M. I. Kresnawan, dan A. P. Handoko, “Klasifikasi Tingkat Roasting Biji Kopi Dengan Metode CNN,” Pros. Semin. Nas. Teknol. Dan Sains Tahun 2024, vol. 3, hal. 285–290, 2024.
- I. I. Ridho, A. A. G. B. Ariana, dan A. P. Windarto, “Optimasi Fungsi Pembelajaran Jaringan Saraf Tiruan dalam Meningkatkan Akurasi pada Prediksi Ekspor Kopi Menurut Negara Tujuan Utama,” Build. Informatics, Technol. Sci., vol. 4, no. 4, 2023, doi: 10.47065/bits.v4i4.3240.
- C. Roziqin, A. M. Shiddiqi, dan M. Husni, “Perancangan Sistem Otomatis pada Mesin Sangrai Kopi Menggunakan Logika Fuzzy,” vol. 13, no. 2, 2024.
- D. Setyowati dan S. Sunardiyo, “Prakiraan Kebutuhan Energi Listrik Dengan Jaringan Saraf Tiruan (Artificial Neural Network) Metode Backpropagation Tahun 2020-2025,” J. EECCIS (Electrics, Electron. Commun. Control. Informatics, Syst., vol. 14, no. 1, hal. 6–9, 2020, doi: 10.21776/jeeccis.v14i1.604.
- B. S. C. Putra dan I. Tahyudin, “Performance Evaluation of CNN-LSTM and CNN-FNN Combinations for Pneumonia Classification Using Chest X-ray Images,” vol. 8, no. January, hal. 196–207, 2025.
- D. N. Fitriani dan S. Bahri, “Prediksi PREDIKSI TINGKAT OBESITAS MENGGUNAKAN NEURAL NETWORK: PENDEKATAN KLASIFIKASI BINER,” Param. J. Mat. Stat. dan Ter., vol. 3, no. 01, hal. 85–92, 2024, doi: 10.30598/parameterv3i01pp85-92.
- M. R. R. Allaam, A. T. Wibowo, dan E. Rachmawati, “Klasifikasi Genus Tanaman Sukulen Menggunakan Convolutional Neural Network,” eProceedings Eng., vol. 8, no. 2, hal. 1153, 2021, [Daring]. Tersedia pada: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/14708
- Y. A. Fernandes dan Y. Fatma, “METODE DEEP LEARNING DALAM TEKNOLOGI DEEPFAKE :,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, hal. 3403–3410, 2025.
- E. Khatizah, “KONSEP MATEMATIKA DI BALIK JARINGAN SARAF TIRUAN SEBAGAI FONDASI KECERDASAN BUATAN,” vol. 20, no. 2, hal. 145–156, 2024.
- M. Azhari, Z. Situmorang, dan R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, hal. 640, 2021, doi: 10.30865/mib.v5i2.2937.
References
Roasting Biji Kopi,” Intechno J. (Information Technol. Journal), vol. 4, no. 2, hal. 48–54, 2022, doi: 10.24076/intechnojournal.2022v4i2.1563.
I. Alfiantama, M. I. Kresnawan, dan A. P. Handoko, “Klasifikasi Tingkat Roasting Biji Kopi Dengan Metode CNN,” Pros. Semin. Nas. Teknol. Dan Sains Tahun 2024, vol. 3, hal. 285–290, 2024.
I. I. Ridho, A. A. G. B. Ariana, dan A. P. Windarto, “Optimasi Fungsi Pembelajaran Jaringan Saraf Tiruan dalam Meningkatkan Akurasi pada Prediksi Ekspor Kopi Menurut Negara Tujuan Utama,” Build. Informatics, Technol. Sci., vol. 4, no. 4, 2023, doi: 10.47065/bits.v4i4.3240.
C. Roziqin, A. M. Shiddiqi, dan M. Husni, “Perancangan Sistem Otomatis pada Mesin Sangrai Kopi Menggunakan Logika Fuzzy,” vol. 13, no. 2, 2024.
D. Setyowati dan S. Sunardiyo, “Prakiraan Kebutuhan Energi Listrik Dengan Jaringan Saraf Tiruan (Artificial Neural Network) Metode Backpropagation Tahun 2020-2025,” J. EECCIS (Electrics, Electron. Commun. Control. Informatics, Syst., vol. 14, no. 1, hal. 6–9, 2020, doi: 10.21776/jeeccis.v14i1.604.
B. S. C. Putra dan I. Tahyudin, “Performance Evaluation of CNN-LSTM and CNN-FNN Combinations for Pneumonia Classification Using Chest X-ray Images,” vol. 8, no. January, hal. 196–207, 2025.
D. N. Fitriani dan S. Bahri, “Prediksi PREDIKSI TINGKAT OBESITAS MENGGUNAKAN NEURAL NETWORK: PENDEKATAN KLASIFIKASI BINER,” Param. J. Mat. Stat. dan Ter., vol. 3, no. 01, hal. 85–92, 2024, doi: 10.30598/parameterv3i01pp85-92.
M. R. R. Allaam, A. T. Wibowo, dan E. Rachmawati, “Klasifikasi Genus Tanaman Sukulen Menggunakan Convolutional Neural Network,” eProceedings Eng., vol. 8, no. 2, hal. 1153, 2021, [Daring]. Tersedia pada: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/14708
Y. A. Fernandes dan Y. Fatma, “METODE DEEP LEARNING DALAM TEKNOLOGI DEEPFAKE :,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, hal. 3403–3410, 2025.
E. Khatizah, “KONSEP MATEMATIKA DI BALIK JARINGAN SARAF TIRUAN SEBAGAI FONDASI KECERDASAN BUATAN,” vol. 20, no. 2, hal. 145–156, 2024.
M. Azhari, Z. Situmorang, dan R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, hal. 640, 2021, doi: 10.30865/mib.v5i2.2937.