Klasifikasi Mutu Fisik Biji Kopi Beras Robusta Menggunakan Pengolahan Citra
Digital
(Physical Quality Classification Of Robusta Rice Coffee Beans Using Digital
Image Processing)
Abstrak. Standar mutu biji kopi di Indonesia menggunakan sistem nilai cacat yang diatur dalam standar
Nasional Indonesia (SNI) 01-2907-2008. Tujuan penelitian ini adalah untuk menentukan mutu kopi beras
robusta dengan menggunakan Pengolahan citra digital dan metode Support Vector Machine (SVM) serta untuk
mendapatkan tingkat akurasi tertinggi. Linear Discriminant Analysis (LDA) dan Support Vector Machine (SVM)
diimplementasikan untuk merancang pengklasifikasian otomatis mutu biji kopi beras robusta. Fitur yang
digunakan yaitu fitur warna, fitur tekstur dan fitur bentuk. Berdasarkan hasil klasifikasi menggunakan metode
Linear Discriminant Analysis (LDA) untuk mendapatkan fitur terbaik yaitu fitur warna yang terdiri dari G, B,
L*, a*, b*. Selanjutnya fitur bentuk yang terdiri dari area, perimeter. Kemudian tekstur yang terdiri dari energi,
kontras, korelasi dan homogeneity. Metode Support Vector Machine (SVM) mampu mengklasifikasi biji kopi
beras robusta dengan tingkat akurasi training sebesar 93.56% dan tingkat akurasi testing sebesar 80.75%.
Kata kunci : Kopi, Pengolahan Citra, Metode Support Vector Machine (SVM), Linear Discriminant Analysis
Abstract. Coffee bean quality standards in Indonesia use the defect value system regulated in the Indonesian
National Standard (SNI) 01-2907-2008. The purpose of this study was to determine the quality of robusta rice
coffee using digital image processing and the Support Vector Machine (SVM) method and to obtain the highest
level of accuracy. Linear Discriminant Analysis (LDA) and Support Vector Machine (SVM) were implemented
to design an automatic classification of the quality of Robusta coffee beans. The features used are color features,
texture features and shape features. Based on the results of the classification using the Linear Discriminant
Analysis (LDA) method to get the best features, namely the color features consisting of G, B, L*, a*, b*. Next
features a shape consisting of area, perimeter. Then the texture which consists of energy, contrast, correlation
and homogeneity. The Support Vector Machine (SVM) method is able to classify Robusta coffee beans with a
training accuracy rate of 93.56% and a testing accuracy rate of 80.75%.
Keywords: Coffee, Image Processing, Support Vector Machine Method, Linear Discriminant
Analysis.
PENDAHULUAN
Kopi merupakan salah satu komoditi hasil perkebunan yang memiliki kedudukan
penting dalam aktivitas perekonomian di Indonesia. Ekspor kopi alam Indonesia menjangkau
lima benua yaitu Asia, Afrika, Australia, Amerika, dan Eropa dengan pangsa utama di Eropa.
Pada tahun 2017 Ekspor biji kopi Indonesia mengalami peningkatan sebesar 467,8 ribu ton
dari tahun 2016 yaitu sebesar 414,65 ribu ton dengan nilai devisa mencapai 1,1 milyar US$
(BPS, 2017).
Kopi beras adalah biji kopi yang sudah siap diperdagangkan berupa biji kopi kering
yang sudah telah terlepas dari daging buah, kulit tanduk dan kulit arinya. Kopi beras berasal
dari buah kopi basah yang telah mengalami beberapa tahap pengolahan. Secara garis besar
terdapat dua cara mengolah buah kopi menjadi kopi beras dengan pengolahan kopi secara
basah serta pengolahan kering (Mayrowani, 2013). Secara umum sortasi merupakan proses
pemisahan bahan-bahan kotoran yang tercampur dengan produk utama. Menurut (Mutiarawati
et al., 2009), sortasi merupakan pemisahan komoditi yang dapat dipasarkan dan tidak dapat
dipasarkan, terutama yang cacat dan terserang hama dan penyakit sehingga tidak menular
pada komoditi yang bagus.
Terdapat dua cara sortasi atau seleksi buah kopi yaitu dengan cara manual, sortasi
dengan cara manual buah kopi direndam dalam air, buah yang mengambang lalu dipisahkan
sedangkan buah yang tidak mengambang atau terendam itu adalah buah kopi yang bagus.
Setelah itu sortasi cara semi mekanis, pada sortasi ini maka kopi diletakkan di dalam tangki
yang berisi air berfungsi memindahkan buah kopi yang mengambang, setelah itu buah kopi
yang tidak mengambang atau terendam masuk kebagian alat pemecah kulit. Pemecah kulit
dapat berfungsi sebagai pemisah biji kopi dari kulit terluar serta bagian daging
(Sulistyaningtyas, 2017).
Permasalahan yang dihadapi petani kopi di Indonesia yaitu pada saat sortasi biji kopi
beras robusta masih dilakukan dengan cara manual, Proses sortasi yang dilakukan secara
manual mempunyai kelemahan, kelemahannya adalah membutuhkan waktu yang lama,
kesalahan akibat kelalaian, karena faktor kelelahan petani kopi dan membutuhkan tenaga
kerja yang banyak. Oleh karena adanya permasalahan tersebut maka solusi dari permasalahan
ini adalah sortasi otomatis dengan menggunakan pengolahan citra (image processing).
Pengolahan Citra dapat dijadikan salah satu alternatif pilihan dalam klasifikasi biji
kopi beras robusta, karena pengolahan citra bermanfaat mengatasi kelemahan sortasi secara
visual oleh manusia. Karena sistem yang digunakan pengolahan citra digital yaitu sistem
visual berdasarkan sensor elektro-optik. Sensor elektro-optik memiliki kemampuan yang
lebih tepat, objektif dan peka dari pada kemampuan visual manusia (Ahmad, 2005). Maka
untuk mempermudah dalam pengolahan citra digital perlu menggunakan metode. Pada
penelitian ini metode yang akan digunakan yaitu Support Vector Machine.
Metode Support Vector Machine merupakan teknik pembelajaran mesin (machine
learning). Konsep aplikasi dari SVM classifier yaitu pada penentuan hyperplane berdasarkan
support vector nya yakni data terdekat dari kelas lainnya. Untuk penerapan klasifikasi mutu
kelas perlu adanya kernel untuk modifikasi. Kernel Radial Basis Function (RBF) yang terbaik
untuk melakukan klasifikasi (Matrix et al., 2017).
METODE PENELITIAN
Tempat dan Waktu
Penelitian ini dilaksanakan di Laboratorium Teknik Pasca Panen, Program Studi
Teknik Pertanian, Fakultas Pertanian, Universitas Syiah Kuala, Banda Aceh. Penelitian ini
dilaksanakan pada bulan Agustus-September 2021.
Terlebih dahulu dilakukan pemisahan antara biji kopi beras robusta D-Utuh, U-Utuh, D-
Pecah, U-Pecah, D-Coklat, U-Coklat, D-Hitam Sebagian dan U-Hitam Sebagian. Pada saat
pengambilan citra biji kopi dilakukan dengan pengambilan citra yang berbeda yaitu biji kopi
D merupakan down yang artinya ke bawah dan U merupakan up yang artinya ke atas.
Pengolahan Citra
Pada pengolahan citra pertama sekali dimulai dengan segmentasi citra. Segmentasi
citra adalah proses pemisahan antara objek dan background dengan menggunakan metode
Otsu. Proses tersebut akan mengubah warna menjadi citra biner. Nilai threshold (ambang)
pada citra grayscale didapatkan dengan menggunakan Metode Otsu. Metode otsu bertujuan
untuk membagi histogram citra keabuan ke dalam dua daerah yang berbeda secara otomatis
tanpa adanya bantuan dari pengguna untuk memasukkan nilai ambang. Untuk mendapatkan
nilai threshold perhitungan yang harus dilakukan adalah membuat histogram. Histogram
digunakan untuk mengetahui jumlah piksel untuk setiap tingkat keabuan (Utami, 2017).
Ekstraksi citra merupakan proses pengambilan ciri dari citra pada parameter-parameter
yang telah ditentukan meliputi tekstur (kontras, korelasi, homogenitas, energi), bentuk (area,
perimeter) dan warna (R, G, B, L*, a*, b*), kemudian dilakukan klasifikasi berdasarkan ciri-
ciri yang diekstraksi tersebut menggunakan metode Support Vector Machine (svm).
(a) (b)
Gambar 1. Pemisahan Objek dengan Background (a) Citra Asli, (b) Segmentasi Citra
Ekstraksi Citra
Tahapan Ekstraksi citra dilakukan setelah tahapan segmentasi citra menggunakan
Metode Otsu. Citra Gambar yang telah diperoleh selanjutnya akan diubah ke dalam bentuk
model warna RGB dapat dilihat seperti pada Gambar 2 berikut.
Gambar 2. Perubahan Warna Citra Asli menjadi RGB; (a) Citra Asli, (b) Perubahan Warna R (Red),
(c) Perubahan Warna G (Green), dan (d) Perubahan Warna B (Blue)
Setelah nilai citra RGB diperoleh, maka langkah selanjutnya dilakukan pemisahan
warna Gambar L* a* b* seperti pada Gambar 3 berikut ini.
180.0000
160.0000
140.0000
120.0000 R
100.0000
80.0000 G
60.0000
40.0000 B
20.0000
0.0000 L*
a*
b*
2.5
2
1.5
1 Kontras
0.5 Korelasi
0 Energi
Homogenity
1800
1600
1400
1200
1000
800
600
400 Area
200
0 Perimeter
mengetahui variabel mana saja yang mempengaruhi klasifikasi. Dalam penelitian ini variabel
bebasnya yaitu fitur R, G, B, L*, a*, b*, Area, Perimeter, Kontras, Korelasi, Energi,
Homogeneity. Tahapan selanjutnya dalam analisis LDA yaitu penerjemahan setiap anggota
kelompok. Bahwa masing-masing kelompok memiliki 12 anggota. Setiap kelompok berisi
anggota dengan karakteristik yang sama sehingga dapat disatukan. Selanjutnya dianalisis
dengan tahapan yang lain hingga menemukan persamaan fungsi diskriminasi setiap
kelompok. Hasil yang dianalisis total keseluruhan yaitu 1600 biji.
Tabel 1. Variable entered/removed menunjukkan bahwa variabel yang diproses pada
setiap tahap atau kelompok mengalami iterasi program. Pada data tersebut variabel yang
hanya masuk dalam model yaitu hanya 11 variabel terdiri B, homogeneity, korelasi, area,
perimeter, L*, a*, kontras, b*, G dan energi. Sedangkan variabel R tidak memiliki pengaruh
yang signifikan. Menurut (Inayah, 2018), variabel yang masuk adalah variabel yang memiliki
pengaruh yang signifikan pada group dan tidak mempengaruhi nilai f yang tidak signifikan.
Dalam membedakan kelompok yaitu nilai signifikannya <0.05. Berdasarkan tabel 7 pada step
1 dipilih fitur B artinya fitur tersebut memiliki kemampuan pertama untuk mengelompokkan
biji kopi beras robusta berdasarkan fiturnya dalam mengklasifikasi biji kopi beras robusta.
Selanjutnya diikuti fitur Homogeneity, korelasi, area, perimeter, L*, a*, kontras, b*, G dan
energi.
Berdasarkan hasil klasifikasi dengan metode LDA untuk mengklasifikasi biji kopi beras
robusta menggunakan beberapa fitur maka fitur yang berpengaruh dalam mengklasifikasi biji
kopi beras robusta adalah fitur warna yang terdiri dari G, B, L*, a*, b*. Selanjutnya fitur
bentuk yang terdiri dari area, perimeter. Kemudian tekstur yang terdiri dari energi, kontras,
korelasi dan homogeneity. Hal ini menunjukkan bahwa tidak semua parameter berpengaruh
pada pengelompokan biji kopi beras robusta. Keadaan ini menarik dicermati karena pengaruh
fitur mampu mengoptimalkan hasil akurasi, hal ini sesuai dengan pendapat dari (Adnan et al.,
2013) penambahan fitur masukan tidak berarti meningkatkan akurasi.
120
100 D-Utuh
U-Utuh
Tingkat Akurasi (%)
80 D-Pecah
U-Pecah
60
D-Coklat
40 U-Coklat
D-Hitam Sebagian
20 U-Hitam Sebagian
Gambar 7. Persentase tingkat akurasi biji kopi beras robusta hasil pengolahan citra digital
dengan menggunakan Support Vector Machine (SVM)
Berdasarkan Gambar 7 dapat dilihat bahwa klasifikasi mutu kopi beras robusta ini
menunjukkan nilai akurasi kriteria mutu biji kopi beras robusta D-Utuh sebesar 86 %, mutu
biji kopi beras robusta U-Utuh sebesar 96%, mutu biji kopi beras robusta D-Pecah sebesar 63
%, mutu biji kopi beras robusta U-Pecah sebesar 70 %, mutu biji kopi beras robusta D-Coklat
sebesar 74 %, mutu biji kopi beras robusta U-Coklat sebesar 66 %, mutu biji kopi beras
robusta D-Hitam Sebagian sebesar 97%, mutu biji kopi beras robusta U-Hitam Sebagian
sebesar 94%. Rendahnya tingkat akurasi kriteria biji kopi beras robusta D-Pecah disebabkan
oleh beberapa sampel biji yang terdeteksi sebagai biji U-Pecah karena kriteria tersebut
memiliki bentuk yang sama yaitu memiliki bentuk yang cacat dan hanya dibedakan oleh
permukaan biji yang berbeda. Hasil tersebut dipengaruhi oleh jumlah sampel yang digunakan
untuk setiap kriteria.
Metode yang digunakan pada penelitian ini yaitu Support Vector Machine (SVM)
merupakan metode yang membutuhkan data masukan dan keluaran dengan jumlah lebih dari
satu untuk mendapatkan hasil yang optimal. Kernel yang digunakan dalam penelitian ini
adalah kernel Radial Basis Function (RBF), kernel Radial Basis Function (RBF) merupakan
kernel yang terbaik. Nilai yang digunakan pada SVM adalah 0.05 yang merupakan Numclass
untuk pemisahan kelas nilainya real. Metode Support Vector Machine (SVM) yang digunakan
pada penelitian ini sudah mampu digunakan untuk mendapatkan tingkat akurasi yang tinggi.
Proses training dilakukan sampai mendapatkan hasil akurasi yang tinggi. Hasil akurasi yang
didapatkan pada data training sebesar 93.56%. Sedangkan untuk hasil akurasi pada data
testing diperoleh rata-rata sebesar 80.75%. Penelitian yang diperoleh (Maghfira, 2019) untuk
mengklasifikasi biji jagung pipil dengan menggunakan 4 kriteria biji jagung diperoleh hasil
rata-rata akurasi sebesar 84.5% dengan menggunakan metode Support Vector Machine
(SVM). Menurut (Chen et al., 2010) dari beberapa parameter yang ditentukan, tidak semua
parameter yang memberikan pengaruh besar pada proses identifikasi.
Saran
Adapun saran yang dapat diberikan terkait penelitian ini adalah Untuk
mendapatkan akurasi lebih tinggi perlu dilakukan penelitian lanjutan dengan melakukan
penambahan jumlah sampel dan menggunakan beberapa metode lain seperti metode Deep
Learning.
DAFTAR PUSTAKA
Ahmad, U.2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Penerbit Graha
Ilmu.Yogyakarta.
BPS Pusat Statistik, 2017. Statistik Kopi Indonesia 2016. Badan Pusat Statistik. Jakarta.
Chen, X., Y. Xun, W. Li, J. Zhang. 2010. Combining Discriminant Analysis And Neural
Network For Corn Variety Identification. Computer And Electronics In Agriculture,
71 S: S48-S53.
Inayah,S. 2018. Penerapan Pembelajaran Kuantum Untuk Meningkatkan Kemampuan
Pemecahan Masalah Dan Representasi Multipel Matematis Siswa. KALAMATIKA
Jurnal Pendidikan Matematika.3(1) :1-16.
Maghfira, A. 2019. Klasifikasi Mutu Fisik Jagung Pipil Menggunakan Citra Digital Dan
Support Vector Machine (SVM). Universitas Syiah Kuala.
Matrix, O., G., Vector, S., Svm, M., Citra, P. 2017. Klasifikasi Jenis Kualitas Keju dengan
Menggunakan Metode Gray Level Co- Occurrence Matrix (GLCM) dan Support
Vector Machine (SVM) Pada Citra Digital. e-Proceding of Engineering, 4(2), 2035–
2042.
Mayrowani, H. 2013. Kebijakan Penyediaan Teknologi Pascapanen Kopi dan Masalah
Pengembangannya. In Forum Penelitian Agro Ekonomi, Vol. 31, No. 1, pp. 31-49.
Mutiarawati., Tino. 2009. Penanganan Pasca Panen Hasil Pertanian. Dalam Skripsi.
Bandung. Fakultas Pertanian Universitas Padjajaran.
Sulistyaningtyas, A. 2017. Pentingnya Pengolahan Basah (Wet Processing) Buah Kopi Buah
Robusta (Coffea robusta Lindl.ex.de.Will) Untuk Menurunkan Resiko Kecacatan Biji
Hijau Saat Coffee Grading. Implementasi penelitian dan pengabdian Masyarakat
Untuk Peningkatan Kekayaan Intelektual, pp.90–94.
Utami, Arum, T. 2017. Implementasi Metode Otsu Thresholding untuk Segmentasi Citra
Daun. Skripsi. Fakultas Komunikasi Dan Informatika Universitas Muhammadiyah
Surakarta.