Seminar Nasional : Menggagas Kebangkitan Komoditas Unggulan Lokal Pertanian dan Kelautan Fakultas Pertanian Universitas Trunojoyo Madura

Seminar Nasional : Menggagas Kebangkitan Komoditas Unggulan Lokal Pertanian dan Kelautan Fakultas Pertanian Universitas Trunojoyo Madura

Juni, 2013

KLASIFIKASI KUALITAS BIJI KOPI MENGGUNAKAN PENGOLAHAN CITRA DAN FUZZY LOGIC GREEN COFFEE BEAN CLASSIFICATION USING IMAGE PROCESSING METHOD AND FUZZY LOGIC CLASSIFIER Putut Son Maria, Muhammad Rivai Lab. Elektronika Industri, Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya Email : [email protected] HP : 081378429691 Email : [email protected] HP : 081330701412 ABSTRAK Penentuan kualitas biji kopi di Indonesia mengacu pada SNI 01-2907-2008 yaitu menggunakan sistem total nilai cacat (defect) pada setiap rendemen sampel teruji. Pada pelaksanaan teknisnya, pemutuan dilakukan oleh petugas/tenaga ahli yang telah berpengalaman. Pemutuan dengan cara menggunakan tenaga manusia rentan terhadap faktor kelelahan dan keragu-raguan karena keterbatasan kemampuan manusia dalam memperkirakan jumlah bijian yang mencapai ribuan biji dalam setiap sampel. Tujuan dari penelitian ini adalah membangun sistem pemutuan secara digital dengan menggunakan kamera untuk mengambil gambar sampel biji kopi kemudian komputer menghitung fitur warna dan tekstur. Data hasil pengujian menunjukkan bahwa fitur warna hijau, hue dan fitur tekstur entropi, energi dan contrast yang dibentuk dari matrik kookurensi pada arah 1350 merupakan parameter penting bagi Fuzzy C Means dalam menilai grade mutu biji kopi. Kata kunci : hue, contrast, Fuzzy C Means ABSTRACT Indonesian coffee beans grading is regulated in Standar Nasional Indonesia(SNI) No : 01-2907-2008 which uses defect system for qualification. Technically, an experienced human expert will do the task for such qualification, yet this kind of way is susceptible to fatigue and doubtness as result of naked human eyes poor estimation to thousands of beans. The objective of this research is to develop grading system using a WEBCAM to capture image of coffee beans and a computer to calculate both color and texture features. The result shows that green, hue, enthropy, energy and contrast which calculated from co-occurrence 135o matrix are significant variables used by Fuzzy C Means for determining coffee grade. Keywords : Hue, Contrast, Fuzzy C Means

773

Juni, 2013


PENDAHULUAN Kopi merupakan komoditas perdagangan internasional terbesar kedua setelah minyak bumi, dan Indonesia adalah negara pengekspor kopi terbesar keempat setelah Brazil, Vietnam dan Kolombia,[1]. Hal ini berarti nilai ekonomi kopi adalah penyumbang devisa yang sangat besar bagi negara Indonesia. Persaingan produk kopi dari Indonesia terhadap produk kopi dari negara kompetitor ditentukan oleh varian tanaman kopi dan mutu hasil pengolahan biji kopi. Varian biji kopi arabika memang bernilai lebih mahal jika dibandingkan dengan robusta, namun demikian varian kopi robusta justru lebih mendominasi pemenuhan terhadap permintaan konsumsi kopi secara global. Keunggulan jenis tanaman kopi robusta dibandingkan dengan arabika adalah bahwa kopi robusta lebih mudah dibudidayakan dan tahan terhadap penyakit, sehingga produksi biji kopi robusta cukup banyak dan menjadi mayoritas tanaman kopi di Indonesia. Pengolahan biji kopi mulai dari proses pemetikan biji sampai pada biji kopi siap di sangrai menjadi faktor yang sangat penting dalam memperkuat daya saing produk biji kopi dari Indonesia. Beberapa hal yang melemahkan daya saing produk biji kopi dari Indonesia diantaranya adalah bahwa dalam pengolahan biji kopi di Indonesia masih dilakukan secara sederhana, selain itu pemilahan biji kopi masih mengandalkan pada ukuran biji dan kepadatan biji, sedangkan untuk pemutuan biji kopi masih mengandalkan tenaga operator manusia yang berarti pemutuan biji kopi sangat bergantung kepada keahlian dan pengalaman petugas yang berarti juga rentan terhadap faktor non teknis yang menyertainya (Sudibyo et al. 2010, Faridah et al. 2011). Beberapa penelitian dalam rangka pelaksanaan pemutuan secara mutakhir telah diupayakan, mulai dari penentuan jenis cacat pada biji kopi, sampai pada rancang bangun mesin sortir biji kopi. Dari beberapa penelitian yang telah dipublikasikan, semuanya memiliki kesamaan yaitu melibatkan adanya perangkat digital berupa kamera dan komputer sebagai pengolah data gambar. Menurut metode yang digunakan, penelitian tersebut terbagi menjadi dua metode yaitu kelompok peneliti yang menggunakan cara pengamatan biji per biji kemudian menghitung nilai cacatnya dan rancang bangun mesin pensortir (Sofi’i et al. 2005, Sudibyo et al. 2010). Metode pengamatan dan penilaian biji per biji akan lebih akurat dalam menilai mutu per biji namun pada tahap aplikasi di lapangan, akan tetapi sistem tersebut memerlukan waktu yang lama dan menjadi tidak efisien. Alternatif lain adalah metode pemutuan biji kopi secara per kelompok biji kopi dengan cara menghitung parameter citra sampel untuk kemudian menjadi masukan bagi classifier untuk memutuskan masuk ke dalam kelas manakah sampel yang sedang diuji tersebut (Faridah et al. 2011). Pemutuan dengan cara per kelompok biji tidak cukup hanya menghitung dari parameter warnanya saja, melainkan perlu menghitung juga dari parameter teksturnya, karena secara alami bahwa kelompok biji akan membentuk tekstur tertentu. Sifat-sifat dari tekstur kelompok biji inilah yang dibahas pada penelitian ini dalam kaitannya terhadap pemutuan biji kopi. 774


Juni, 2013

Dari beberapa parameter tekstur dan warna, akan diamati parameter mana saja yang signifikan dan yang kurang signifikan yang mewakili mutu biji kopi. METODE PENELITIAN 1. Desain Sistem Gambar 1 menunjukkan perangkat keras sistem yang digunakan pada penelitian ini.

2

4

3

1

6 5

1 = Chamber, ukuran 60 x 60 x 60 cm 2, 3 = Lampu daylight @ 9 Watt 4 = WEBCAM, resolusi 640 x 480 5 = Nampan tempat sampel biji kopi 6 = Laptop

Gambar 1. Perangkat keras pendukung Chamber adalah kotak yang dibuat khusus sedemikian rupa sehingga cahaya dari luar kotak diusahakan sesedikit mungkin yang menerpa sampel biji kopi. Lampu yang terpasang dalam chamber berjumlah empat buah (tampak samping hanya dua) dengan tujuan agar pembentukan bayangan (intensitas gelap) pada sampel biji kopi dapat dikurangi. WEBCAM beresolusi 640 x 480 piksel dipasang pada posisi permanen membentuk sudut 900 di atas nampan tempat sampel diletakkan. Sambungan antara WEBCAM dengan laptop menggunakan kabel bawaan WEBCAM melalui port USB. 2 Parameter Citra 2.2.1 Parameter warna RGB dan HSI WEBCAM merupakan piranti yang terdiri dari sensor optik (CCD) dan telah dilengkapi dengan lensa. CCD tersusun atas larik kapasitor dan filter yang menyaring cahaya datang menjadi tiga komponen warna komposit yaitu Merah (Red), Hijau (Green) dan Biru (Blue). Pada umumnya citra yang dihasilkan dari kamera WEBCAM adalah citra yang terdiri atas piksel-piksel dengan format RGB 24 Bit. Model warna RGB memiliki sifat labil terhadap luminasi, oleh karena itu, perlu melibatkan parameter lain yang lebih handal yang dapat mewakili warna sebenarnya dari obyek uji dan mudah dihitung dari besaran warna komposit, yaitu parameter HSI. Dalam penelitian ini, komputer diprogram untuk menghitung enam fitur dari parameter warna. 775

Juni, 2013


2.2.2 Parameter Tekstur Parameter tekstur dapat dihitung jika matrik ko-okurensi telah ada sebelumnya. Oleh karena itu pembuatan matrik ko-okurensi merupakan langkah awal sebelum menghitung tekstur dari suatu citra. Matrik ko-okurensi yang biasa digunakan dalam perhitungan tekstur biasanya dibentuk dari citra abu-abu pada skala 16 kuantisasi, caranya adalah dengan mengubah citra berwarna RGB menjadi citra dengan 16 skala keabuan, oleh karena itu matrik ko-okurensi lazim disebut juga Grey Level Co-Ocurrence Matrix (GLCM). Matrik ko-okurensi dapat disusun menurut dua variabel yaitu jarak (bersatuan piksel) dan arah (arah sudut antar piksel yang bertetanggaan). Dari dua variabel itu saja dapat menghasilkan sebanyak delapan matrik ko-okurensi untuk setiap kombinasi jarak-arah, sehingga setiap satu fitur tekstur dapat memiliki delapan nilai yang berbeda. Setelah matrik ko-okurensi dibuat, maka langkah berikutnya adalah menghitung parameter tekstur dari citra. Terdapat sekitar 21 parameter tekstur yang dapat diekstraksi dari sebuah citra namun tidak semuanya harus dilibatkan. Dalam penelitian ini digunakan hanya empat parameter tekstur yaitu entropi, energi, kontras dan homogenitas. 3 Fuzzy C Means Clustering Fuzzy C Means Clustering (FCM) adalah teknik peng-cluster-an data yang mana keberadaan tiap-tiap titik data dalam suatu cluster dapat ditentukan derajat keanggotaannya. FCM bekerja menggunakan matrik partisi yang selalu di-update nilainya selama belum terbentuk pusat cluster yang optimal terhadap masukan data yang diolah. Setelah pusat cluster terbentuk, maka setiap ada data baru akan dapat dihitung derajat keanggotaannya untuk masing-masing cluster yang ada. Derajat keanggotaan terbesar menunjukkan kecenderungan tertinggi suatu data tersebut untuk masuk menjadi anggota kelompok, [4]. HASIL DAN PEMBAHASAN 1. Fitur warna Masing-masing sampel biji kopi dari setiap grade 1, 2, 3, 4a, 4b, 5 dan 6 seberat 300 gr diambil gambarnya sebanyak 10 kali. Setiap pengambilan gambar baru, maka sampel biji kopi diacak-acak sehingga kondisi susunan biji selalu berbeda untuk setiap gambar pada grade yang sama, hal ini bertujuan untuk lebih banyak mendapatkan fitur gambar dari sampel yang sama. Data gambar yang didapatkan semuanya sebanyak 70 gambar. Hasil plot grafik dari fitur-fitur warna menunjukkan bahwa green, saturasi dan hue merupakan variabel yang lebih unik dibandingkan dengan red, blue dan intensity. Plot grafik green dan hue ditunjukkan pada gambar 2 dan 3 berturut-turut.

776


Juni, 2013

Gambar 2. Grafik perbandingan green

Gambar 3. Grafik perbandingan hue Dari plot data grafik green keunikan terjadi pada konsistensi level setiap grade yang relatif kecil penyimpangannya, sedangkan pada plot grafik hue memang terdapat selisih yang relatif kecil antar grade, namun jika dihitung rata-rata nilai hue untuk masing-masing grade, maka data numeriknya akan lebih jelas seperti pada tabel 1 berikut : Tabel 1. Rata-rata hue Grade 1 85,6 Grade 2 81,74 Grade 3 82,28 Grade 4a 84,51 Grade 4a 82,51 Grade 5 86,52 Grade 6 85,22 Idealnya setiap sampel yang sama jika diambil citranya pada kondisi berbeda akan memberikan nilai hue yang relatif konsisten, artinya selisih nilai hue tidak menyimpang terlalu ekstrim. Pada data hue grade 4a terjadi penyimpangan yang agak jauh sebanyak tiga kali pada data gambar ke – 1, 7 dan 8 ini disebabkan karena susunan biji kopi tidak merata pada nampan sehingga gambar warna dasar nampan terpapar dan terekam oleh kamera. 2 Fitur tekstur Pengujian berikutnya adalah parameter tekstur, dari data yang sudah didapatkan, ternyata parameter kontras yang dihitung dari matrik kookurensi pada arah sudut 135 777

Juni, 2013


dengan jarak 1 piksel memiliki sifat unik jika dibandingkan dengan parameter kontras yang lain. Walaupun selisih secara numerik tidak terlalu mencolok, namun keunikan ini telah cukup menjadi pembeda dan menjadi masukan bagi classifier untuk memilah dan membentuk partisi terhadap data masukan. Grafik hasil perhitungan kontras pada sudut 135 dan 90 ditunjukkan pada gambar 3 dan 4 berturut-turut.

Gambar 3. Grafik perbandingan kontras (sudut 135o )

Gambar 4. Grafik perbandingan kontras pada sudut (90o) Kontras pada sudut 135o memiliki rentang nilai yang lebih lebar dibandingkan dengan kontras pada sudut 90o, selisih rentang yang lebar menunjukkan kecenderungan nilai kontras dari data masukan tiap grade menempati pada level berbeda pada grafik. Hal ini memudahkan bagi classifier untuk melakukan klasifikasi berdasarkan keunikan tersebut. 3 Karakteristik lampu Mata manusia tidak mampu melakukan pengukuran secara kuantatif terhadap besaran cahaya lampu, namun demikian mata manusia mampu merasakan adanya penambahan atau pengurangan luminasi. Pengambilan gambar sampel biji kopi pada chamber box harus dilakukan pada kondisi pencahayaan yang stabil untuk mengurangi kesalahan klasifikasi. Dari hasil pengukuran menggunakan luxmeter, ternyata kondisi luminasi stabil dicapai setelah 13 sampai 15 menit sejak lampu menyala. Grafik perubahan luminasi terhadap waktu ditunjukkan pada gambar 5.

778


Juni, 2013

Gambar 5. Grafik besaran luminasi 4 Klasifikasi oleh classifier Dua model classifier digunakan untuk mengenali kelas sampel dan hasilnya dibandingkan untuk menguji akurasi dari masing-masing model. Pada pengujian terhadap data pelatihan, akurasi pengenalan classifier backpropagation neural network (BPNN) mampu mengenali secara tepat 100 % dari sampel yang diujikan, sementara classifier Fuzzy C Means (FLVQ) hanya mencapai 92.85 %. Namun pada saat pengujian data baru yang tidak dilatihkan , kedua classifier hanya mampu mencapai akurasi 64.7 % saja. Hal ini berarti bahwa pemilihan fitur yang menjadi masukan bagi classifier telah cukup mewakili dari sekian banyak fitur citra yang ada. Tabel 2 menunjukkan perbandingan pengenalan data latih baik oleh BPNN dan FLVQ. Tabel 2. Pengujian data latih Keberhasilan Grade 1 2 3 4a 4b 5 6

BPNN

FLVQ

100% 100% 100% 100% 100% 100% 100%

100% 100% 100% 100% 80% 70% 100%

KESIMPULAN DAN SARAN 1. Fitur yang signifikan dalam menentukan kelas kualitas biji kopi adalah fitur hijau, hue, enthropy, energy dan kontras, hal ini dilihat dari rentang data dan keunikan data pada setiap grade. 2. Pencahayaan yang stabil sangat penting karena perubahan luminasi dapat mengakibatkan bertambahnya galat (error) pada proses klasifikasi. Dari hasil pengujian, kondisi luminasi stabil lampu dicapai setelah 15 menit, sedangkan WEBCAM mencapai kondisi stabil setelah 5 detik sejak mendapatkan catu daya.

779

Juni, 2013


3. Kondisi biji kopi yang tersebar merata dengan sedikit biji yang bertumpuk akan memberikan data yang konsisten, namun perlu dijaga agar warna dasar nampan tidak terpapar terlalu banyak. DAFTAR PUSTAKA Soedibyo DW, Subrata IDM, Seminar KB, Ahmad U. 2010. The development of automatic coffee sorting system based on image processing and artificial neural network. AFITA 2010 International Conference, hal. 272- 275. Faridah, Parikesit GOF, Ferdiansjah. 2011. Coffee bean grade determination based on image parameter. TELKOMNIKA 9 (3): 574-554. Sofi’I I, Astika IW, Suroso. 2005. Penentuan jenis cacat biji kopi dengan pengolahan citra dan artificial neural network. Jurnal Keteknikan Pertanian 19: 99 – 108. Ahmad U. 2005. Pengolahan citra digital & teknik pemrogramannya. Edisi Pertama, Graha Ilmu.

780

Seminar Nasional : Menggagas Kebangkitan Komoditas Unggulan Lokal Pertanian dan Kelautan Fakultas Pertanian Universitas Trunojoyo Madura

Recommend Documents