KOMPARASI PERANAN GRAY LEVEL CO- OCCURENCE MATRIX DAN  ECCENTRICITY UNTUK  CONVOLUTIONAL NEURAL NETWORK  MENGGUNAKAN TRANSFER LEARNING  PADA PENGELOMPOKAN BIJI KOPI

Comparison of the Role of Gray Level Co-Occurence  Matrix and Eccentricity for Convolutional Neural Network  With Transfer Learning in Coffee Bean Grouping

Skripsi ini membahas mengenai Komparasi Peranan Gray Level Co-Occurence Matrix dan Eccentricity Untuk Convolutional Neural Network Pada Pengelompokan Biji Kopi, dengan studi kasus dari tempat produksi kopi Permadi Pandansari yang mana tempat tersebut ialah tempat pengelolahan kopi mulai dari pembibitan biji kopi sampai dengan pembuatan minuman kopi. Minuman kopi yang saat ini sedang mengalami peningkatan peminatan menjadi salah satu daya tarik adanya penelitian ini. Disbanding dengan kemajuan teknologi menjadikan tujuan dari penelitian ini yaitu membandingan peranan ekstraksi fitur untuk nantinya digunakan dalam penerapan suatu deep learning. Data yang digunakan pada penelitian kali ini ialah data latih untuk 2 jenis biji kopi sebesar 400 citra, sedangkan data uji untuk 2 jenis biji kopi sebesar 100 citra, sehingga total keseluruhan ialah 500 citra biji kopi.

Ektraksi yang digunakan kali ini ialah ektraksi tektstur dan warna yang didapatkan dari ekstraksi Grey Level Co- Occurrence Matrix serta ekstraksi bentuk yang didapatkan dari Eccentricity. Kedua ekstraksi tersebut yang nantinya akan dibandingkan dikarenakan pada penelitian terdahulu ekstraksi GLCM dan Eccentricity digunakan secara bersamaan.

Metode deep learning yang digunakan untuk pengelompokan kali ini ialah Convolutional Neural Network, namun dikarenakan pada metode deep learning CNN ini sudah menggunakan ekstraksi fitur pada bagian convolution layernya, maka bagian tersebut harus dihilangkan, sesuatu yang kehilangan pasti akan mengakibatkan suatu kekosongan, sehingga diperlukan suatu transfer learningyang digunakan untuk memodifikasi model, transfer learning yang ditambahkan dalam penelitian ini ialah VGG-16 dengan beberapa fitur tambahan dari ANN untuk nantinya digunakan sebagai model tersendiri dari ekstraksi GLCM dan Eccentricity. Untuk memaksimalkan hasilnya, penelitian kali ini juga menerapkan optimasi ADAM dan juga aktivasi ReLU serta Softmax.

This thesis discusses the Comparison of the Role of Gray Level Co-Occurrence Matrix and Eccentricity for Convolutional Neural Network in Coffee Bean Grouping, with a case study from the Permadi Pandansari coffee production site where the place is a coffee processing site starting from coffee bean breeding to coffee brewing. Coffee drinks that are currently experiencing an increase in interest are one of the attractions of this research. Compared to technological advances, the purpose of this study is to compare the role of feature extraction for later use in the application of deep learning. The data used in this study was training data for 2 types of coffee beans amounting to 400 images, while test data for 2 types of coffee beans amounted to 100 images, so that the total was 500 images of coffee beans.

The extraction used this time is the extraction of texture and color obtained from the extraction of Gray Level Co-Occurrence Matrix and the extraction of shapes obtained from Eccentricity. The two extractions will be compared later because in previous studies GLCM and Eccentricity extractions were used simultaneously.

The deep learning method used for grouping this time is Convolutional Neural Network, but because the CNN deep learning method already uses feature extraction in the convolution layer, then the part must be removed, something that loses will definitely cause a void, so a transfer learning is needed to be used to modify the model, the transfer learning added in this study is VGG-16 with several additional features of ANN to later be used as a separate model of GLCM extraction and Eccentricity. To maximize the results, this study also applies ADAM optimization and also ReLU and Softmax activation.