Optimasi Klasifikasi Kematangan Biji Kopi dengan Segmentasi pada Citra Multispectral Menggunakan Hsv dan DBSCAN

Abstract

Kualitas biji kopi ditentukan pada tahap pemetikan dan penyortiran biji kopi. Namun saat ini proses penyortiran tingkat kematangan biji kopi masih dilakukan secara manual. Hal ini mengakibatkan proses penyortiran memakan waktu yang cukup lama dan bersifat objektif. Solusi dari permasalahan tersebut ialah dengan melakukan klasifikasi tingkat kematangan biji kopi secara otomatis. Upaya klasifikasi kematangan biji kopi dapat dilakukan dengan mempertimbangkan klasifikasi warna secara kuantitatif pada berbagai jenis kematangan biji kopi. Penelitian ini menerapkan citra multispectral dengan 15 channel warna, kondisi tersebut akan menghasilkan data dalam jumlah besar yang dapat membantu pembelajaran model. Namun sebelum melakukan training model, perlu dilakukan tahap preprocessing. Tahap preprocessing yang dilakukan ialah menghapus background pada data citra kopi sehingga menyisakan data objek biji kopi untuk dilakukan modelling. Proses ini dilakukan dengan menggunakan teknik segmentasi. Teknik segmentasi dilakukan dengan mencoba melakukan kombinasi 3 channel dari 15 channel data citra saat ini. Data citra tersebut kemudian dikonversi kedalam HSV agar citra mudah dikomputasi. Selanjutnya, citra dilakukan clustering untuk mengidentifikasi objek biji kopi dan background menggunakan algoritma DBSCAN. Data objek biji kopi kemudian diubah menjadi data tabular menggunakan nilai mean, variance, skewness, kurtosis dan entropy modelling. Maka kondisi ini data dapat digunakan dalam membangun model klasifikasi kematangan biji kopi menggunakan SVM. Pada proses training model klasifikasi tingkat kematangan biji kopi menerapkan beberapa scenario uji coba yaitu dengan data unbalanced, upsampling dengan SMOTE dan augmentasi, downsampling dan weighting. Dari masing masing data tersebut diterapkan 3 jenis kernel SVM yaitu linear, RBF dan polynomial. Disisi lain proses evaluasi model menerapkan teknik k-fold dengan nilai k sebesar 5 dan 10, teknik k-fold lebih valid mengukur performa model karena pengujian model pada masing-masing bagian data secara bergiliran. Upaya melakukan berbagai scenario percobaan untuk memperoleh hasil performa model yang baik. Hasil penelitian ini yaitu kombinasi channel terbaik untuk teknik segmentasi yaitu channel blue, azure dan amber dengan skor bobot akhir 611. Pengujian evaluasi model membandingkan data menggunakan teknik segmentasi pada tahap preprocessing dan data tanpa dilakukan segmentasi. Performa model pada data citra menggunakan teknik segmentasi menghasilkan skor akurasi sebesar 100% dengan skenario terbaik yaitu data unbalanced dan kernel linear. Sedangkan performa model pada data tanpa teknik segmentasi menghasilkan skor akurasi sebesar 98.75%. Kondisi ini dapat disimpulkan bahwa performa model klasifikasi kematangan biji kopi akan optimal dengan melakukan teknik segmentasi pada tahap preprocessing.