Prototype Sistem Penyortir Buah Kopi Arabika Berdasarkan Tingkat Kematangan Menggunakan Metode Support Vector Machine

Juprianus Rusman; Nofrianto Pasae

doi:10.34148/teknika.v12i1.602

Juprianus Rusman Program Studi Teknik Informatika, Universitas Kristen Indonesia Toraja, Tana Toraja, Sulawesi Selatan
Nofrianto Pasae Program Studi Teknik Mesin, Universitas Kristen Indonesia Toraja, Tana Toraja, Sulawesi Selatan

DOI: https://doi.org/10.34148/teknika.v12i1.602

Keywords: Prototipe, Kopi Arabika, Penyortir, Kematangan, Support Vector Machine

Abstract

Salah satu proses peningkatan mutu kopi adalah menyeleksi buah kopi yang matang dan belum matang pasca panen yang dilakukan dengan cara memilih satu per satu. Namun dengan cara tersebut terdapat kelemahan yaitu inkonsistennya hasil sortiran karena faktor subjektifitas dan intentitas cahaya. Sebagai solusi, pada penelitian ini didesain alat bantu dalam bentuk prototipe untuk menyortir buah kopi berdasarkan kematangannya. Kopi matang ditandai dengan warna merah, kopi setengah matang dengan warna kuning kemerahan dan kopi mentah dengan warna hijau. Kamera diletakkan dalam kotak guna mengurangi intentitas cahaya eksternal, digunakan untuk mengambil citra buah kopi kemudian citra buah kopi akan dipisahkan dengan background dengan metode segmentasi warna hue, saturation, value (HSV). Selanjutnya citra buah kopi diekstraksi untuk mendapatkan nilai setiap warna dengan parameter red, green, blue (RGB) dan HSV guna membentuk model klasifikasi metode support vector machine (SVM). Parameter SVM optimum yaitu cost (C)= 10,0 dan gamma (Î³)= 0,001. Prototipe yang dibangun berbentuk persegi panjang dengan panjang 70 cm, lebar 10 cm dan tinggi 12 cm. Komponen penyortir yaitu servo yang memutar ke sudut 90^ountuk klasifikasi “matang”, sudut 45^o untuk klasifikasi “matang setengah” dan sudut 135^o untuk klasifikasi “mentah” sedangkan conveyor belt digerakkan oleh motor DC 12 V. Meskipun pada proses prediksi perangkat lunak terdapat kesalahan prediksi namun perangkat keras telah bekerja dengan baik ditandai dengan servo berhasil memutar link ke sudut yang telah ditentukan sesuai hasil prediksi. Dengan demikian, dapat disimpulkan bahwa prototipe sistem penyortir buah kopi arabika berdasarkan kematangannya berhasil dibangun.

Downloads

Download data is not yet available.

References

P. Raharjo, Berkebun Kopi. Jakarta: Penebar Swadaya, 2017.

S. Raysyah, V. Arinal, and D. I. Mulyana, “Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan Deteksi Warna Menggunakan Metode KNN dan PCA,” JSiI J. Sist. Inf., pp. 88—95, Sep. 2021, doi: 10.30656/jsii.v8i2.3638.

M. R. Irfa’i, B. Fatkhurrozi, and I. Setyowati, “Klasifikasi Tingkat Kematangan Buah Kopi Menggunakan Algoritma Fuzzy C — Means,” J. Electr. Eng., p. 7, 2021.

B. Prasetyo and U. Trisyanti, “Revolusi Industri 4.0 dan Tantangan Perubahan Sosial,” IPTEK Journal of Proceedings Series, (5) https://iptek.its.ac.id/index.php/jps/article/view/4417 (accessed Sep. 26, 2022).

Seema, A. Kumar, and G. S. Gill, “Automatic Fruit Grading and Classification System Using Computer Vision: A Review,” in 2015 Second International Conference on Advances in Computing and Communication Engineering, May 2015, pp. 598—603. doi: 10.1109/ICACCE.2015.15.

A. P. W. Wibowo, “Implementasi Teknik Computer Vision Dengan Metode Colored Markers Trajectory Secara Real Time,” Jurnal Teknik Informatika, Vol. 8(1), 2016, pp. 38-42. https://ejurnal.poltekpos.ac.id/index.php/informatika/article/view/44 (accessed Sep. 26, 2022).

P. N. Andono, T. Sutojo, Muljono, Pengolahan Citra Digital. Yogyakarta: CV. Andi Offset, 2017. https://books.google.co.id/books?id=zUJRDwAAQBAJ&printsec=frontcover#v=onepage&q&f=false (accessed Oct. 08, 2022).

I. Indrabayu, N. Arifin, and I. S. Areni, “Strawberry Ripeness Classification System Based On Skin Tone Color using Multi-Class Support Vector Machine,” in 2019 International Conference on Information and Communications Technology (ICOIACT), Jul. 2019, pp. 191—195. doi: 10.1109/ICOIACT46704.2019.8938457.

N. Astrianda, “Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine,” VOCATECH Vocat. Educ. Technol. J., vol. 1, pp. 45—52, Apr. 2020, doi: 10.38038/vocatech.v1i2.27.

“Multi class Support Vector Machines classifier for machine vision application.” https://ieeexplore.ieee.org/document/6428794/ (accessed Sep. 26, 2022).

C.-W. Hsu, C.-C. Chang, and C.-J. Lin, “A Practical Guide to Support Vector Classiï¬cation,” p. 16.

V. Ahmadi, P. Ziyaee, P. Bazyar, and E. Cavallo, “Development and Testing of a Low-Cost Belt- and-Roller Machine for Spheroid Fruit Sorting,” AgriEngineering, vol. 2, pp. 596—606, Dec. 2020, doi: 10.3390/agriengineering2040040.

C. S. Nandi, B. Tudu, and C. Koley, “An automated machine vision based system for fruit sorting and grading,” in 2012 Sixth International Conference on Sensing Technology (ICST), Dec. 2012, pp. 195—200. doi: 10.1109/ICSensT.2012.6461669.

Y. Adamu, A. A. Adamu, S. I. Kolo, and A. W. Nnanna, “Development of an Automated Fruit Sorting Machine using an Embedded System (Arduino Mega Based),” vol. 10, no. 6, 2019.

M. Wibawa, M. Rahman, and A. W. Widodo, “Penerapan Ruang Warna HSV dan Ekstraksi Fitur Tekstur Local Binary Pattern Untuk Tingkat Kematangan Sangrai Biji Kopi,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5(7), pp. 2819-2825. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/8945 (accessed Nov. 30, 2022).

I. S. Areni, I. Amirullah, and N. Arifin, “Klasifikasi Kematangan Stroberi Berbasis Segmentasi Warna dengan Metode HSV,” J. Penelit. Enj., vol. 23, no. 2, Art. no. 2, Nov. 2019, doi: 10.25042/jpe.112019.03.