Klasifikasi Kualitas Biji Kopi Robusta Dengan Metode Naive Bayes berdasarkan Ukuran Biji, Tekstur, dan Warna

I Kadek Nurcahyo Putra; I Gede Aris Gunadi; I Made Gede Sunarya

doi:10.24176/simet.v15i1.10790

Klasifikasi Kualitas Biji Kopi Robusta Dengan Metode Naive Bayes berdasarkan Ukuran Biji, Tekstur, dan Warna

I Kadek Nurcahyo Putra - [ http://orcid.org/0000-0002-5029-601X ]
I Gede Aris Gunadi
I Made Gede Sunarya

Abstract

Kopi merupakan salah satu komoditas terpenting di dunia, lebih dari dua juta gelas kopi di konsumsi setiap hari. Kualitas kopi bergantung pada serangkaian proses, dan sortasi merupakan proses yang sangat penting untuk mensegmentasi biji kopi sesuai kualitas. Biji kopi yang tercampur menyebabkan rusaknya rasa, menurunkan kualitas, dan harga. Sortasi biji dengan cara manual rentan mengalami kesalahan disebabkan turunnya konsentrasi serta subjektivitas manusia. Pada penelitian ini penulis mengimplementasi algoritma Naive Bayes untuk membangun model klasifikasi kualitas biji kopi robusta berdasarkan fitur warna RGB, fitur tekstur dengan metode GLCM, dan fitur ukuran biji kopi robusta. Biji kopi robusta diperoleh dari CV. Kaki Lima Solid sejumlah 300 gram untuk setiap kualitas. Biji kopi difoto untuk menghasilkan citra biji kopi. Citra biji kopi di pre-proses selanjutnya di lakukan ekstraksi fitur warna, tekstur, dan ukuran biji. Dataset hasil ekstraksi fitur di bagi menjadi dua bagian, 480 data digunakan untuk melatih algoritma Naive Bayes. Pengujian model klasifikasi dengan 120 data uji memperoleh hasil akurasi 87.5%. Komparasi fitur dan metode klasifikasi lain pada masa depan dapat dilakukan untuk memperoleh hasil yang lebih baik.

Keywords

Kopi;Naive Bayes;RGB;GLCM;Klasifikasi

Teks Lengkap:

PDF

Referensi

[1] S. A. D. O. Wulandari, I. W. Widyantara, dan I. D. G. Agung, “Profil Usaha Pengolahan Kopi Bali Tugu Sari Pajahan di Desa Pajahan , Kecamatan Pupuan , Kabupaten Tabanan,” vol. 8, no. 4, hal. 479–485, 2019.

[2] D. Giacalone, T. K. Degn, N. Yang, C. Liu, I. Fisk, dan M. Münchow, “Common roasting defects in coffee: Aroma composition, sensory characterization and consumer perception,” Food Qual. Prefer., vol. 71, no. March, hal. 463–474, 2019, doi: 10.1016/j.foodqual.2018.03.009.

[3] N. Bhumiratana, K. Adhikari, dan E. Chambers, “Evolution of sensory aroma attributes from coffee beans to brewed coffee,” LWT - Food Sci. Technol., vol. 44, no. 10, hal. 2185–2192, 2011, doi: 10.1016/j.lwt.2011.07.001.

[4] M. Garcia, J. E. Candelo-Becerra, dan F. E.Hoyos, “applied sciences Quality and Defect Inspection of Green Co ff ee Beans Using a Computer Vision System,” 2019.

[5] I. Mawardi, H. Hanif, J. Jennifar, dan S. Safaruddin, “Penerapan Mesin Sortasi Dalam Upaya Efesiensi Proses Produksi Kopi Gayo Sebagai Produk Unggulan Daerah Aceh Tengah,” J. Bakti Masy. Indones., vol. 3, no. 2, hal. 476–485, 2021, doi: 10.24912/jbmi.v3i2.9400.

[6] J. Aramiko, “KLASIFIKASI KERUSAKAN BIJI KOPI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER SKRIPSI,” 2020.

[7] R. A. Makhiyyudin, “Pendeteksi Kualitas Biji Kopi Menggunakan Metode Naive Bayes,” hal. 0–1, 2016.

[8] A. C. Fauzan dan S. D. Purwanto, “Analisis Perbandingan Algoritma Naive Bayes Classifier dan Learning Vector Quantization dalam Sistem Identifikasi Boraks pada Bakso Daging Sapi,” vol. 7, no. 2, hal. 43–50, 2021, doi: 10.24014/coreit.v7i2.15085.

[9] M. Sezgin dan B. Sankur, “Survey over image thresholding techniques and quantitative performance evaluation,” J. Electron. Imaging, vol. 13, no. 1, hal. 220, 2004, doi: 10.1117/1.1631316.

[10] R. A. Surya, A. Fadlil, dan A. Yudhana, “Ekstraksi Ciri Metode Gray Level Co-Occurrence Matrix ( GLCM ) dan Filter Gabor untuk Klasifikasi Citra Batik Pekalongan,” J. Inform. Pengemb. IT (JPIT , Vol. 02, No. 02, Juli 2017, vol. 02, no. 02, hal. 23–26, 2017.

[11] A. Eskaprianda, R. R. Isnanto, dan I. Santoso, “Deteksi Kondisi Organ Pankreas Melalui Iris Mata Menggunakan Jaringan Syaraf Tiruan Metode Perambatan Balik dengan Pencirian Matriks Ko-Okurensi Aras Keabuan,” Transmisi, vol. 13, no. 1, hal. 33–38, 2011.

[12] Sutarno, R. F. Abdullah, dan R. Passarella, “Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ),” Annu. Res. Semin., vol. 3, no. 1, hal. 65–70, 2017, [Daring]. Tersedia pada: https://seminar.ilkom.unsri.ac.id/index.php/ars/article/view/1742.

[13] S. L. B. Ginting dan R. P. Trinanda, “TEKNIK DATA MINING MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI PENCARIAN PADA APLIKASI PERPUSTAKAAN,” 2013.

[14] S. . Pattekari dan A. Parveen, “Prediction system for heart disease using Naïve Bayes,” Int. J. Adv. Comput. Math. Sci., vol. 3, no. 3, hal. 290–294, 2012.

[15] T. Wahyono, FUNDAMENTAL OF PYTHON FOR MACHINE LEARNING. Yogyakarta: GAVA MEDIA, 2021.

[16] M. Grandini, E. Bagli, dan G. Visani, “Metrics for Multi-Class Classification: an Overview,” hal. 1–17, 2020, [Daring]. Tersedia pada: http://arxiv.org/abs/2008.05756.

DOI: https://doi.org/10.24176/simet.v15i1.10790