Desain Sistem Pengenalan Dan Klasifikasi Kopi Bubu
Desain Sistem Pengenalan Dan Klasifikasi Kopi Bubu
Abstrak
Kopi merupakan salah satu hasil perkebunan yang ada di Indonesia yang memiliki
nilai jual yang sangat tinggi. Secara umum jenis kopi yang terdapat di Indonesia
adalah kopi robusta dan arabica, selain itu juga terdapat kopi liberica, dan hibrida.
Dengan adanya perkembangan teknologi pada saat ini memungkinkan untuk
membangun suatu sistem yang dapat bekerja menyerupai indera penciuman
manusia. Salah satunya yaitu sensor electronic nose. Perancangan sistem
klasifikasi dan pengenalan kualitas kopi bubuk ini menggunakan metode berbasis
ANN atau lebih dikenal dengan metode jaringan syaraf tiruan, yang diharapkan
mampu meningkatkan akurasi dalam mengelompokkan jenis kopi berdasarakan
aroma kopi. Tujuan yang ingin dicapai pada penelitian ini adalah dapat
mempermudah untuk mengenali dan mengklasifikasikan kopi bubuk dengan
menggunakan e-nose, tidak lagi bergantung pada indera penciuman manusia yang
biasanya tidak stabil serta tidak bisa secara kontinu menghasilkan ukuran yang
tetap. Arsitektur yang dibangun menggunakan 3 buah layer dengan 3 input berupa
hasil pembacaan gas elektronik nose. Sedangkan output target merupakan
kombinasi dari biner angka 0 dan 1. Jaringan syaraf tiruan yang dipakai dalam
penelitian ini mampu mengenali nilai kopi arabika, robusta dan liberika dengan
dengan menggunakan iterasi maksimal sebesar 5000, hasil output menunjukan
bahwa JST backpropagation mampu mengenali jenis kopi dengan tingkat
keberhasilan 73.3%.
Abstract
Coffee is one of the plantation products in Indonesia which has a very high selling
value. In general, the types of coffee found in Indonesia are Robusta and Arabica
coffee, besides that there are also Liberica and Hybrid coffees. With the
development of technology at this time it is possible to build a system that can work
like the human sense of smell. One of them is the electronic nose sensor. The
design of the classification system and the introduction of the quality of ground
coffee use the ANN-based method or better known as the artificial neural network
method, which is expected to improve accuracy in classifying coffee types based on
the aroma of coffee. The aim of this research is to make it easier to recognize and
Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi… 51
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
classify ground coffee using e-nose, no longer dependent on the sense of smell of
humans which are usually unstable and cannot continuously produce a fixed size.
The architecture was built using 3 layers with 3 inputs in the form of electronic
nose gas readings. While the target output is a combination of binary numbers 0
and 1. The artificial neural network used in this study is able to recognize the value
of arabica, robusta and liberation coffee by using a maximum iteration of 5000, the
output results show that backpropagation neural network is able to recognize the
type of coffee with a success rate 73.3%
52 Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi…
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
PROSES OUTPUT
Setelah data berhasil dikirim ke
TGS 2602
mikrokontoler maka selanjtunya data
Mikrokontroler
ATMega 16 LCD
tersebut akan ditampilkan kedalam LCD.
PC
Data yang diambil tersebut selanjutnya
TGS 822
Perhitungan
dapat di olah pada delphi monitor yang
ANN
Input
Pada input terdiri dari dua sensor,
yaitu TGS 2602 dan TGS 822. TGS 2602 Nilai Sensor
Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi… 53
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
Hasil bobot
Mencari bobot
baru
End
54 Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi…
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
yang sederhana untuk perhitungan ANN, melakikan proses perhitungan ANN, da-
kemudian sistem akan melakukan proses lam proses perhitunhan ANN meliputi
random nilai bobot awal yang akan nilai jarak output ANN terhadap target,
digunakan untuk mencari baru. Output kemudian mencari jarak terkecil yang
dati sistem ini adalah memperoleh nilai mendekati target yang diinginkan, output
bobot baru, Epoch, dan nilai MSE yang dari proses uji ini adalah mendapatkan ni-
akan dipakai untuk proses pelatihan data lai jarak serta mengelompokkan kopi ber-
yang akan diujikan dengan menggunakan dasarkan sistem pembelajan yang telah
JST backpropagation. dilakukan tehadap data latih selama ber-
ulang kali
5. Algoritma Testing
Perhitungan ANN
Keterangan gambar :
Mencari nilai jarak output
ANN terhadap target 1. LCD
2. Relay
3. Rangkaian regulator
Mencari jarak terkecil 4. Minimum sistem ATMega 16
5. PC/Laptop
Gambar 5 menjelaskan prinsip dari Tabel 1. Respon TGS 2602 pada kopi
sistem learning, dimana sistem menda- arabika
patkan nilai input dari sensor TGS 2602
dan TGS 822, kemudian nilai dari sensor Waktu
tersebut akan terlebih dahulu akan dise- ADC Tegangan Resistansi
(t)
derhanakan memali proses normalisasi 1 876 4.20 V 11.9 x 107
data input, setelah mendapatkan nilai dari 2 879 4.21 V 11.8 x 107
proses normalisasi kemudian sistem akan 3 880 4.22 V 11.84 x 107
Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi… 55
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
2. Pengujian LCD
Pengujian LCD 16x2 dilakukan de-
ngan tujuan untuk mendapatkan para-
meter berupa tampilan karakter pada LCD
sesuai dengan keinginan. Pengujian dila-
kukan dengan memprogram karakter atau
tulisan yang ingin ditampilkan pada LCD
Gambar 8. Pengambilan nilai kopi
dan kemudian dicocokkan dengan tam-
Robusta
pilan yang ada pada layar LCD tersebut.
56 Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi…
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
Pada Gambar 9 adalah gambar tam- Tabel 3. Data hasil pengujian sampel
pilan pada proses training, diman kita
harus memasukkan nilai ADC dari kopi Tabel percobaan
yang sudah tersimpan, kemudian sistem Liberika
akan melakukan proses pembelajaran, lalu Per
cob 1
setalah mendapatkan nilai bobot yang 1 2 3 4 5 6 7 8 9
aan 0
70
sudah sesuai akan dilakukan pengujian, ke- %
dan nilai bobot tersebut akan disimpan hasi
x √ x x √ √ √ √ √ √
sebagai acuan untuk melakukan pengujian l
pada sampel kopi berikutnya. Arabika
Per
cob 1
1 2 3 4 5 6 7 8 9
aan 0
80
ke- %
hasi
x √ √ x √ √ √ √ √ √
l
Robusta
Per
cob 1
1 2 3 4 5 6 7 8 9
aan 0
ke- 70
has %
ix x √ √ √ √ √ x √ √
l
Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi… 57
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
Tabel 4 merupakan tabel hasil peng- Tabel 6 merupakan tabel hasil peng-
ujian pencampuran antara kopi Arabika ujian pencampuran kopi Arabika dan kopi
dan kopi Liberika, sebagai contoh yang Robusta, dengan menggunakan perban-
pertama dengan perbandingan kopi 2:8, dingan 8:2, dimana nilai jumlah kopi
menunjukkan hasil bahwa kopi tersebut Arabika 8gr dan nilai kopi Robusta 2gr
merupakan kopi arabika. Yang dimaksud nilai yang dihasilakn menunjukkan cam-
2:8 disini adalah jumlah kopi Liberika 2gr puran kopi tersebut dominan kopi Ara-
dan arabika 8gr, apabila dijumlahkan ma- bika, karena memang jumlahnya kopi
ka hasilnya 10gr, kopi ini mengandung Arabika yang lebih banyak dan nilai yang
kopi arabika, karena nilai pada saat peng- keluar juga mendekati nilai kopi arabika.
ukuran menunjukkan nilai dan aroma
yang mendekati dengan kopi Arabika. 4. Pembahasan
Dari hasil pengujian keseluruhan
Tabel 5. Data hasil pengujian alat ini dapat digunakan sesuai dengan
pencampuran kopi Robusta dan Liberika yang diharapkan. Sebelum pengambilan
nilai sensor terlebih dahulu dipanaskan
Liberika Robusta
Tgs Tgs
Hasil selama ± 20 menit untuk mendapatkan ni-
2602 822 lai yang stabil. Pada pengambilan nilai
9 1 982 906 Liberika
sensor masih terjadi kesalahan, faktor
7 3 989 905 Robusta
6 4 979 908 Liberika yang mempengaruhi adalah ketidaksta-
5 5 977 911 Liberika bilan kondisi ruang yang digunakan untuk
2 8 986 907 Robusta pengujian sampel kopi, dan kondisi bubuk
kopi yang baru diambil dari kemasan,
Tabel 5 merupakan hasil pngujian nilai tersebut akan stabil apabila kopi su-
data pencampuran kopi Robusta dan dah berada dalam suatu tempat yang digu-
Liberika, yang pertama menggunakan nakan untuk pengujian dalam beberapa
perbandingan 9:1, dimana nilai jumlah saat.
kopi Liberika 9gr dan nilai kopi Robusta Pergantian sample kopi juga sangat
1gr nilai yang dihasilakn menunjukkan mempengaruhi nilai sensor, karena apa-
campuran kopi tersebut dominan kopi bila langsung digunakan dan tidak dibiar-
liberika, karena memang jumlahnya yang kan terkena udara bebas terlebih dahulu
lebih banyak dan nilai yang keluar juga maka pengukuan nilai kopi ini juga akan
mendekati nilai kopi liberika. hampir sama dengan nilai kopi yang di-
ambil sebelumnya. Pengambilan nilai
pada setiap kopi masing-masing berlang-
sung ± selama 5 menit. Setelah nilai dari
sensor untuk masing-masing kopi stabil
maka nilai tersebut akan disimpan sebagai
58 Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi…
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
nilai acuan untuk input dari perhitungan 3. Sistem jaringan syaraf tiruan yang
JST. dibangun ini mampu melakukan
Nilai yang didapat tersebut kemu- pengenalan terhadap 3 sampel kopi
dian akan dinormalisasi sebelum di olah yang masing-masing diujikan setelah
sebelum di gunakan untuk sistem learning dilakukan proses pelatihan terhadap
JST. Pada proses learning ini dibutuhkan data yang dilatih dengan tingkat
neuron sebanyak 2 neuron, iterasi mak- keberhasilan 73.3%
simal 5000, nilai alpha sebesar 0.2, dan
nilai bobot awal secara acak, dari proses
learning ini didapatkan error sebesar 0.02 V. RUJUKAN
dan niali bobot baru. Setelah mendapatkan
semua parameter uji kemudian dilakukan [1] Suteja, Bernard R. 2007. Penerapan
proses uji coba untuk setiap sampel kopi. Jaringan Syaraf tiruan Propagsi
JST backpropagation ini mampu menge- Balik Studi Kasus Pengenalan Jenis
nali kopi liberika 70%, arabika 80%, dan Kopi. Jurnal Informatika, Vol.3,
robusta 70% selama sepuluh kali pengu- No.1,:49-62.
jian terhadap masing-masing sampel. [2] Rabersyah D. Firdaus dan Derisma.
Untuk pengujian terhadap sampel 2016. Identifikasi Jenis Kopi Bubuk
kopi yang dicampur, hasil yang keluar Menggunakan Electronic Nose De-
akan menunjukkan aroma kopi yang ngan Metode Pembelajaran Back-
paling kuat, tidak bergantung pada propagation. JNTE, Vol.5, No.3, ,
banyaknya kopi yang digunakan pada saat ISSN 2302-2949.
percobaan.
[3] Priambudi YA. Hartati S dan Lelono
D. 2014. Sistem Klasifikasi Rasa
IV. SIMPULAN Kopi Berbasis Electronic Tongue
Menggunakan Madaline Neural
Berdasarkan hasil perancangan sistem Network. IJEIS, Vol.4, No.2, ISSN
yang telah dibuat dan diuji, dapat ditarik 2088-3714.
suatu kesimpulan sebagai berikut :
1. Dari hasil perancangan sistem pe- [4] Muttalib SA, Joko NWK, Nursigit
ngenalan dan klasifikasi sistem dapat B,Rahayoe S. 2014. Identifikasi
bekerja, yaitu dapat menghasilkan Aroma Campuran (Blending) Kopi
nilai yang dapat dijadikan sebagai Arabika dan Robusta Dengan Elec-
acuan untuk pengenalan kopi pada tronic Nose Menggunakan Sistem
jaringan syaraf tiruan dengan para- Pengenalan Pola. Jurnal Ilmiah
meter Aroma kopi. Rekayasa Pertanian dan Biosistem,
2. Dengan menggunakan sensor gas Vol.2, No.2
TGS 2602 dan TGS 822, sensor ini
mampu bekerja dengan baik dan [5] Olunloyo VOS, Ibidapo TA, Dinrifo
menghasilkan nilai Maksimal dan RR. 2011. Neural network-based
minimal, untuk masing-masing sensor Electronic Nose for cocoa beans
TGS 2602 Maksimal sebesar 900 dan quality assessment. Agricultural
minimal sebesar 856, sedangkan yang Engineering International: CIGR
TGS 822 maksimal 876 dan minimal Jurnal. Vol.13, No.4.
840, yag kemudian dijadikan sebagai
nilai input dalam perhitungan JST. [6] Sri KD dan Sri H. 2010. Neuro-
Fuzzy. Yogjakarta: Graha Ilmu.
Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi… 59
J-Eltrik, Vol. 1, No. 2, November 2019 E-ISSN: 2656-9396 ; P-ISSN: 2656-9388
60 Maria U, Haryanto, Kunto AW: Desain Sistem Pengenalan dan Klasifikasi Kopi…