Klasifikasi Kualitas Fisik Kopi Beras Arabika menggunakan Pengolahan citra dengan Metode K-Nearest Neighbor (K-NN)

Reni Mardisa, Kiman Siregar, Indera Sakti Nasution

Abstract


Abstrak. Proses sortasi pada biji kopi beras arabika umumnya masih dilakukan secara manual sehingga peran teknologi sangat dibutuhkan pada proses sortasi secara otomatis dengan menggunakan pengolahan citra digital dengan metode K-Nearest Neighbor (KNN). Penelitian ini bertujuan untuk mengetahui tingkat akurasi klasifikasi kualitas fisik kopi beras arabika berdasarkan citra biji normal, biji pecah, biji coklat, dan biji hitam sebagian dengan menggunakan pengolahan citra dengan metode K- Nearest Neighbor (K-NN). Perlakuan pengambilan citra pada penelitian ini ada dua yaitu secara telungkup (Down) dan terbalik (Up). Rancangan penelitian ini menggunakan metode K-Nearest Neighbor (KNN) dan menggunakan Linear Discriminant Analysis (LDA) untuk mengetahui parameter yang memengaruhi pada klasifikasi biji kopi beras arabika. Hasil penelitian menunjukkan  bahwa dengan menggunakan nilai K=5 nilai rata-rata akurasi yaitu 78,625% sedangkan menggunakan K=3 dengan nilai rata-rata akurasi yaitu 58,000%. Perlakuan terbaik pada penelitian ini yaitu dengan posisi biji kopi telungkup (Down) dengan akurasi yaitu 80,25%. Berdasarkan hasil klasifikasi menggunakan Linear Discriminant Analysis (LDA) parameter yang paling berpengaruh dalam klasifikasi biji kopi beras arabika adalah parameter area, perimeter, b, kontras, B, R, L, a, energi, korelasi, dan G.

The Classification Of The Physical Quality Of Arabica Coffee Bean Uses Image Processing Using The K-Nearest Neighbor (K-NN) Method

Abstract. The sorting process for Arabica coffee beans is generally still done manually so the role of technology is needed in the automatic sorting process using digital image processing with the K-Nearest Neighbor (KNN) method. This study aims to determine the level of accuracy of the physical quality classification of Arabica coffee based on images of normal beans, broken beans, cocoa beans, and partially black beans using image processing with the K-Nearest Neighbor (K-NN) method. There are two treatments for taking images in this study, namely face down (down) and upside down (up). This research design uses the K-Nearest Neighbor (KNN) method and uses Linear Discriminant Analysis (LDA) to determine the parameters that affect the classification of Arabica coffee beans. The results showed that by using the value of K = 5 the average value of accuracy was 78.625%, while using K = 3 the average value of accuracy was 58,000%. The best treatment in this study was the position of the coffee beans  face down  with an accuracy of 80.25%. Based on the results of the classification using Linear Discriminant Analysis (LDA), the most influential parameters in the classification of Arabica coffee beans are the area, perimeter, b, contrast, B, R, L, a, energy, correlation, and G parameters.


Keywords


pengolahan citra, metode k-nearest neighbor, biji kopi beras arabika, penggunaan nilai k tetangga terdekat; image processing, k-nearest neighbor method, arabica rice coffee beans, use of the nearest neighbor k value.

Full Text:

PDF

References


A Maghfirah and I S Nasution, 2022. Application Of Colour, Shape, And Texture Parameter For Classifying The Defect Of Gayo Arabica Green Coffee Bean Using Computer Vision.IOP Conf. Series: Earth and Enviroment Science 951 (2022) 012097.

Arifin A.D. 2012. implementasi algoritma K-Nearest Neighbour yang berdasarkan one pass clustering untuk kategorisasi teks [Tesis].

Badan Pusat Statistik, 2015.

Cahyono, Bambang. 2012. Sukses Berkebun Kopi. Penerbit Mina: Jakarta.

Dahril, M. 2014. Aplikasi Prakiraan Cuaca Se-Riau Berbasis Android Menggunakan Metode

Inayah,S. 2018. Penerapan Pembelajaran Kuantum Untuk Meningkatkan Kemampuan Pemecahan Masalah Dan Representasi Multipel Matematis Siswa. KALAMATIKA Jurnal Pendidikan Matematika.3(1) :1-16

Sandra, Usman Ahmad, Suroso, Hadi K. Purwadaria, I Wayan Budiastra. 2007. Pengembangan Metoda Pemeriksaan Mutu Buah Manggis Secara Non- Destruktif Menggunakan Pengolahan Citra. Prosiding Seminar Nasional Teknologi Inovatif Pascapanen untuk Pengembangan Industri Berbasis Pertanian (902-913).

Subrata, I., Seminar, K., Ahmad, U., & Soedibyo, D. 2010. Rancang Bangun Sistem Sortasi Cerdas Berbasis Pengolahan Citra Untuk Kopi Beras. Jurnal Keteknikan Pertanian, 24(2), 21751.

Susanto, Suroso, Purwadaria HK, dan Budiastra IW. 2000. Classification of mango by neural network based on near infrared diffuse reflectance.

Tarsono, I., Triyanto, D., & Rismawan, T. (2018). Prototype Pemisah Otomatis Jeruk Siam Berdasarkan Warna Menggunakan Metode KNN (K-Nearest Neighbor). Jurnal Coding, Sistem Komputer Untan, 06(1), 44–53.




DOI: https://doi.org/10.17969/jimfp.v7i2.19896

Refbacks

  • There are currently no refbacks.


 


JIM Agribisnis|JIM Agroteknologi|JIM Peternakan|JIM Teknologi Hasil Pertanian|JIM Teknik Pertanian|
JIM Ilmu Tanah|JIM Proteksi Tanaman|JIM Kehutanan


E-ISSN: 2614-6053 2615-2878 Statistic Indexing | Citation


Alamat Tim Redaksi:
Fakultas Pertanian,Universitas Syiah Kuala
Jl. Tgk. Hasan Krueng Kalee No. 3, Kopelma Darussalam,
Banda Aceh, 23111, Indonesia.
Email:jimfp@unsyiah.ac.id