Role Of Gray Level Co-Occurrence Matrix for Convolution Neural Network Transfer Learning in Coffee Bean Classification

Abstract

Abstrak— Penelitian ini membahas mengenai Peranan Gray Level Co-Occurence Matrix Untuk Convolutional Neural Network Pada Pengelompokan Biji Kopi, dengan studi kasus dari Permadi Pandansari. 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.

Proses ektraksi yang digunakan ialah ektraksi tektstur dan warna yang didapatkan dari ekstraksi Grey Level Co-Occurrence Matrix. Dilanjut dengan metode deep learning yang digunakan untuk pengelompokan ialah Convolutional Neural Network dengan menggunakan transfer learning VGG-16. Untuk memaksimalkan hasilnya, penelitian kali ini juga menerapkan optimasi ADAM dan juga aktivasi ReLU serta Softmax. Hasil uji ekstraksi fitur ditentukan dengan nilai akurasi, presisi, recall, F1-Score dan juga Cross Validation.

This study discusses the Role of Gray Level Co-Occurence Matrix for Convolutional Neural Networks in Grouping Coffee Beans, with a case study from Permadi Pandansari. The data used in this research is training data for 2 types of coffee beans of 400 images, while the test data for 2 types of coffee beans is 100 images, so the total is 500 images of coffee beans.

The extraction process used is texture and color extraction obtained from the Gray Level Co-Occurrence Matrix extraction. Followed by the deep learning method used for grouping is the Convolutional Neural Network using VGG-16 transfer learning. To maximize the results, this research also applies ADAM optimization and also ReLU and Softmax activation. The results of the feature extraction test are determined by the values of accuracy, precision, recall, F1-Score and also Cross Validation.

Kata Kunci— Pengelompokan, Biji Kopi Arabika, Biji Kopi Robusta, Ekstraksi Grey Level Co-Occurrence Matrix, Convolution Neural Network, Transfer Learning VGG16..