Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Risnaini Masdalipa
Teknik Informatika, Institut Teknologi Pagar Alam
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
KLASIFIKASI KUALITAS BUBUK KOPI ROBUSTA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR RESNET-V2 Salsabilla Rizqi; Desi Puspita Sari; Risnaini Masdalipa
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18029

Abstract

Kopi Robusta merupakan salah satu komoditas perkebunan unggulan Indonesia, termasuk di Kota Pagar Alam yang dikenal sebagai daerah penghasil kopi dengan produktivitas tinggi. Namun, proses penilaian kualitas bubuk kopi masih banyak dilakukan secara visual oleh manusia sehingga bersifat subjektif dan berpotensi menghasilkan penilaian yang tidak konsisten. Oleh karena itu, diperlukan metode otomatis berbasis pengolahan citra yang mampu melakukan klasifikasi kualitas kopi secara lebih objektif. Penelitian ini bertujuan mengklasifikasikan kualitas bubuk kopi Robusta berbasis citra digital menggunakan metode deep learning dengan arsitektur Convolutional Neural Network (CNN) ResNet50V2. Dataset yang digunakan terdiri dari 150 citra bubuk kopi yang dikelompokkan menjadi tiga kelas kualitas yaitu light, medium, dan dark. Untuk meningkatkan variasi data dan mengurangi risiko overfitting, dilakukan teknik augmentasi sehingga jumlah data latih meningkat menjadi sekitar 1.500 citra. Dataset kemudian dibagi menjadi 70% data pelatihan, 20% data validasi, dan 10% data pengujian. Penelitian ini menerapkan tahapan CRISP-DM yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Proses prapemrosesan citra meliputi resize, normalisasi, dan augmentasi data. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN dengan arsitektur ResNet50V2 mampu mengklasifikasikan kualitas bubuk kopi dengan tingkat akurasi yang tinggi sehingga berpotensi digunakan sebagai sistem pendukung dalam penilaian mutu kopi secara objektif dan konsisten.
IDENTIFIKASI PENYAKIT DAUN TANAMAN KOPI ROBUSTA MENGGUNAKAN ARSITEKTUR MOBILENETV2 DENGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) Rintan Renata; Desi Puspita; Risnaini Masdalipa
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18354

Abstract

Penyakit pada tanaman kopi robusta merupakan salah satu faktor yang dapat menurunkan kualitas dan produktivitas hasil panen. Proses identifikasi penyakit tanaman kopi robusta masih banyak dilakukan secara manual melalui pengamatan langsung, sehingga memerlukan keahlian khusus dan kurang efisien. Oleh karena itu, peneliti membangun sistem identifikasi penyakit tanaman kopi robusta berbasis citra daun menggunakan arsitektur MobileNetV2 dan algoritma Support Vector Machine (SVM). Dataset yang digunakan terdiri dari 600 citra daun kopi robusta yang diambil dari 5 kecamatan di Kota Pagar Alam, yang dibagi menjadi data training dan data validasi dengan perbandingan 80:20. Untuk memenuhi kebutuhan jumlah data, dilakukan augmentasi pada data training sehingga menghasilkan 5.000 citra.Proses pelatihan dilakukan dalam 40 epoch yang mencakup tahap fine-tuning pada 30 layer terakhir MobileNetV2 untuk mengoptimasi ekstraksi ciri. Vektor fitur tersebut kemudian digunakan sebagai input pada algoritma SVM yang dioptimasi menggunakan Grid Search. Hasil evaluasi menunjukkan model mencapai akurasi validasi sebesar 96% pada tahap pengembangan dan akurasi pengujian sistem sebesar 85% menggunakan confusion matrix. Performa ini membuktikan bahwa integrasi MobileNetV2 dan SVM mampu memberikan hasil identifikasi yang stabil dan akurat di atas target 80%.
Co-Authors Desi Puspita Desi Puspita Sari Rintan Renata Salsabilla Rizqi