DETEKSI DEFECT COFFEE PADA CITRA TUNGGAL GREEN BEANS MENGGUNAKAN METODE ENSAMBLE DECISION TREE

Tanggal

2021-05-19

Penerbit

Techno.COM LPPM Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang

Abstraksi

Kopi merupakan salah satu komoditas minuman unggulan, sehingga permintaan biji kopi meningkat dari tahun ke tahun. Permintaan biji kopi didasarkan pada kualitas. Terdapat bebarapa faktor yang mempengaruhi kualitas antara lain bagaimana kopi ditanam dan dipanen, adapun kurangnya nutrisi dan perlindungan tanaman yang tidak memadai, maka akan menghasilkan kopi yang berkualitas rendah. Biji kopi berkualitas rendah sering kali disebut defects. Identifikasi defects coffee sangat penting khususnya bagi para petani dan pengusaha kopi agar dapat memilih biji kopi yang berkualitas tinggi sehingga meningkatkan nilai jual biji kopi. Pada beberapa industri kopi maupun makanan, teknik untuk mengidentifikasi cacat biji kopi biasa dengan cara seleksi manual dan mekanik, yang mana membutuhkan waktu yang lama dan dapat merusak biji kopi. Oleh karena itu diperlukan suatu pendekatan yang lebih modern dalam mengidentifikasi cacat biji kopi  seperti pengolahan citra. Untuk itu penelitian ini bertujuan melakukan pengolahan citra berupa segmentasi pada citra green beans coffee menggunakan metode thresholding. Setelah itu dilakukan analisis tekstur menggunakan GLCM (Grey Level Co-occurence Matrix) dan dilanjutkan dengan pemodelan klasifikasi menggunakan algoritma C4.5 dengan bagging. Dari hasil penelitian yang diperoleh, akurasi dari penggunaan algoritma C4.5 dengan bagging sebesar 94%.

Kata Kunci: Defect Coffee, Thresholding, Algoritma C4.5

URI
http://publikasi.dinus.ac.id/index.php/technoc/article/view/4529

Bidang ilmu
Image Processing

References

[1] M. Garc and J. E. Candelo-becerra, “Quality and Defect Inspection of Green Coffee
Beans Using a Computer Vision System,”
MDPI, vol. 9, pp. 2–18, 2019.
Direktorat Jenderal Perkebunan, “Produksi Kopi Menurut Provinsi di Indonesia , 2015-
2019 Coffee,” vol. 2019, p. 2019, 2019.
N. Caporaso, M. B. Whitworth, S. Grebby, and I. D. Fisk, “Rapid prediction of single
green coffee bean moisture and lipid content by hyperspectral imaging,”
J. Food Eng.,
vol. 227, pp. 18–29, 2018.
D. Fernandes, A. Lucia, D. S. Madureira, D. Sun, S. Lucy, and E. Yoko, “Application of
[2]
[3]
[4]

infrared spectral techniques on quality and compositional attributes of coffee : An
overview,”
FRIN, vol. 61, pp. 23–32, 2014.

[5] E. R. Arboleda, “An Image Processing Technique for Coffee Black Beans
Identification,”
2018 IEEE Int. Conf. Innov. Res. Dev., pp. 1–5, 2018.
Coffeeland Indonesia, “MENGIDENTIFIKASI DEFECT PADA KOPI,”
Coffeeland,
2020. [Online]. Available: coffeeland.co.id/.
Y. Chou
et al., “Deep-Learning-Based Defective Bean Inspection with GAN-Structured
Automated Labeled Data Augmentation in Coffee Industry,”
MDPI, vol. 9, pp. 2–26,
[6]
[7]


Techno.COM, Vol. 20, No. 2, Mei 2021: 198-209
209
2019.
[8] Dani, “Seputar Kopi,” 2020.
[9] H. A. L. Nasution H T, Rumansa H, “Designing the quality of coffee bean detection
application using Hue Saturation Intensity Designing the quality of coffee bean detection
application using Hue Saturation Intensity,”
IOP Conf. Ser. Mater. Sci. Eng., no. 648,
pp. 1–7, 2019.
[10] N. Razmjooy, B. S. Mousavi, and F. Soleymani, “A real-time mathematical computer
method for potato inspection using machine vision,”
Comput. Math. with Appl., vol. 63,
no. 1, pp. 268–279, 2012.
[11] M. Baigvand, A. Banakar, S. Minaei, J. Khodaei, and N. Behroozi-khazaei, “Machine
vision system for grading of dried figs,”
Comput. Electron. Agric., vol. 119, pp. 158–
165, 2015.
[12] E. R. Arboleda, A. C. Fajardo, and R. P. Medina, “Classification of Coffee Bean Species
Using Image Processing , Artificial Neural Network and K Nearest Neighbors,”
2018
IEEE Int. Conf. Innov. Res. Dev.
, vol. 18, pp. 1–5, 2018.
[13] C. K. D. Wang
et al., “Improving Defect Inspection Quality of Deep-Learning Network
in Dense Beans by Using Hough Circle Transform for Coffee Industry,”
2019 IEEE Int.
Conf. Syst. Man Cybern.
, vol. 19, pp. 798–805, 2019.
[14] C. Pinto, J. Furukawa, H. Fukai, and S. Tamura, “Classification of Green Coffee Bean
Images Based on Defect Types Using Convolutional Neural Network ( CNN ),”
2017
Int. Conf. Adv. Informatics, Concepts, Theory, Appl.
, vol. 17, pp. 1–5, 2017.
[15] M. D. Podolsky, A. A. Barchuk, V. I. Kuznetcov, F. Natalia, V. S. Gaidukov, and S. A.
Tarakanov, “Evaluation of Machine Learning Algorithm Utilization for Lung Cancer
Classification Based on Gene Expression Levels,” vol. 17, pp. 835–838, 2016.
[16] I. Cheng, G. M. Cortelazzo, A. Basu, and S. K. Tripathi,
3D Online Multimedia &
Games: Processing, Transmission and Visualization
. Singapura: World Scientific, 2008.
[17] L. Velho, A. C. Frery, and J. Gomes,
Image Processing for Computer Graphics and
Vision
. London: Springer, 2009.
[18] A. C. Bovik,
Handboook of Image and Video Processing. London: Elsevier, 2010.
[19] B. Tso and P. M. Mather,
Classification Methods for Remotely Sensed Data. London:
Taylor & Francis, 2001.
[20] B. Santoso, A. I. S. Azis, and Zohrahayaty,
Machine Learning & Reasoning Fuzzy Logic
Algoritma, Manual, Matlab, & Rapid Miner
. Yogyakarta: Deepublish, 2020.
[21] E. Buulolo,
Data Mining Untuk Perguruan Tinggi. Yogyakarta: Deepublish, 2020