Klasifikasi Kualitas Teh Hitam Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Citra Digital

Abstract

Sebagai negara tropis, produksi teh hitam di Indonesia sangat besar. Berdasarkan kualitasnya, teh hitam di Indonesia telah diekspor ke beberapa negara. Dalam rangka memenuhi permintaan standar kualitas yang dibutuhkan di tiap negara, teh hitam diklasifikasikan menjadi tiga jenis, diantaranya grade A, grade B, dan grade C. tetapi, pada kenyataannya industri memiliki permasalahan pada pemenuhan standar quality control karena kebanyakan industri masih menggunakan metode manual. Maka dari itu tujuan dari penelitian ini adalah untuk mengklasifikan tiga jenis mutu teh secara otomatis dengan menggunakan convolutional neural network (CNN). Dua tipe pre-trained network digunakan yakni arsitektur AlexNet dan ResNet50. Berdasarkan analisis sensitivitas didapatkan nilai akurasi yang tinggi pada proses training dan validasi. Tiga model terbaik dari CNN didapatkan diantaranya AlexNet dengan solver Adam dan learning rate 0.00005; AlexNet dengan solver RMSProp dan learning rate 0.0001; ResNet50 dengan solver SGDm dan learning rate 0.00005 yang mana mendapatkan nilai akurasi training dan validasi hingga 100%. Selanjutnya didapatkan nilai akurasi klasifikasi dengan arsitektur AlexNet dengan solver Adam dan learning rate 0.00005 mampu mengklasifikasikan grade B dan grade C tepat 100% tanpa adanya error. Tetapi untuk grade A terdapat kesalahan sehingga nilai akurasi menjadi 99.7%. Sedangkan untuk arsitektur AlexNet dengan solver RMSProp dan learning rate 0.0001 dan arsitektur ResNet50 dengan solver SGDm dan learning rate 0.00005 dapat mengklasifikasikan teh hitam tepat sesuai dengan kelasnya. Berdasarkan hasil tersebut dapat disimpulkan bahwa CNN mampu mengklasifikasikan teh hitam secara efektif.