KLASIFIKASI KUALITAS BIJI KOPI DENGAN
RADIAL BASIS FUNCTION
SKRIPSI
MEWATI PANJAITAN 111402022
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2016
KLASIFIKASI KUALITAS BIJI KOPI DENGAN
RADIAL BASIS FUNCTION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
MEWATI PANJAITAN 111402022
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
PERSETUJUAN
Judul : KLASIFIKASI KUALITAS BIJI KOPI DENGAN RADIAL
BASIS FUNCTION
Kategori : SKRIPSI
Nama : MEWATI PANJAITAN
Nomor Induk Mahasiswa : 111402022
Program Studi : S1 TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Diketahui/ disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
Muhammad Anggia Muchtar, ST., MM.IT NIP. 19800110 200801 1 010
Pembimbing 2
Dr. Erna Budhiarti Nababan, M.IT NIP. -
Pembimbing 1
Muhammad Anggia Muchtar, ST.,MM.IT NIP. 19800110 200801 1 010
KLASIFIKASI KUALITAS BIJI KOPI DENGAN
RADIAL BASIS FUNCTION
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 29 April 2016
Mewati panjaitan 111402022
UCAPAN TERIMA KASIH
Segala puji dan syukur penulis sampaikan kepada Tuhan Yang Maha Esa yang telah memberikan berkat-Nya yang melimpah sehingga penulis dapat menyelesaikan skripsi ini dengan baik untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Skripsi ini penulis persembahkan kepada orangtua penulis, Bapak Bekman Panjaitan dan Ibu Siti Tamba yang selalu memberikan doa, semangat, perhatian, kasih sayang, dan pengorbanan. Semoga Tuhan Yesus memberikan kebahagiaan kepada kedua orangtua penulis. Terima kasih penulis ucapkan kepada adik-adik penulis, Veronika Panjaitan, Rayendra Panjaitan dan Lewis Panjaitan yang selalu menyemangati dalam pengerjaan skripsi ini.
Penulis menyadari bahwa penelitian ini tidak akan terwujud tanpa bantuan banyak pihak. Dengan kerendahan hati, penulis ucapkan terima kasih kepada :
1. Bapak M. Anggia Muchtar, S.T.,MM.IT sebagai dosen pembimbing I dan Ibu Dr. Erna Budhiarti Nababan, M.IT sebagai dosen pembimbing II yang telah meluangkan waktu, pikiran, saran, dan kritiknya untuk penulis dalam menyelesaikan skripsi ini. 2. Ketua dan Sekretaris Program Studi S1 Teknologi Informasi, Bapak M. Anggia
Muchtar, S.T., MM.IT. dan bapak Mohammad Fadly Syahputra, B.Sc.,M.Sc.IT. 3. Bapak Dedy Arisandi, S.T., M.Kom selaku dosen pembimbing akademik yang selalu
memberi saran dalam proses akademik penulis.
4. Seluruh dosen yang mengajar serta staf Tata Usaha Program Studi Teknologi Informasi Universitas Sumatera Utara.
5. Teman-teman kesayangan, Karina Ginting, S.Kom, Vanesa Felicia,S.Kom, Fahrunissa Khairani, S.Kom, Chairunnisaq, S.Kom, Ade Oktariani, S.Kom, Marsha Ayudia, S.Kom, Rauva Chairani, S.Kom, Nabila Pindya, S.Kom, Abbas Munandar, S.Kom, Royananda, S.Kom, Bernike, S.Kom, Dian Aria Ningsih, S.Kom yang telah bersedia menjadi teman diskusi dan memberikan dukungan kepada penulis.
6. Teman-teman angkatan 2011 Teknologi Informasi, semoga kita meraih kesuksesan. 7. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis
ucapankan satu persatu yang telah membantu menyelesaikan skripsi ini.
Penulis menyadari bahwa masih banyak kekurangan dalam skripsi ini, untuk itu penulis mengharapkan saran dan kritik yang bersifat membangun dari semua pihak demi kesempurnaan skripsi ini. Akhir kata penulis ucapkan terima kasih.
ABSTRAK
Kopi merupakan salah satu komoditas unggulan dalam subsektor perkebunan di Indonesia karena memiliki peluang pasar yang besar, baik di dalam negeri maupun luar negeri. Sebelum kopi diekspor atau dipasarkan, eksportir memberikan sampel kopi ke petugas (Balai Pengujian dan Sertifikasi Mutu Barang) untuk diuji berdasarkan Standart Nasional Indonesia (SNI). Pengujian kualitas yang diterapkan dalam BPSMB masih dilakukan secara manual sehingga tingkat probabilitas petugas melakukan kesalahan relatif tinggi akibat tidak konsentrasi karena kuantitas sampel yang sangat banyak. Selain itu petugas juga memerlukan waktu yang relatif lama untuk memisahkan sampel yang cacat dan tidak cacat untuk mengetahui kualitasnya. Oleh sebab itu, dibutuhkan suatu pendekatan untuk mengklasifikasikan kualitas biji kopi sehingga membantu petugas yang bekerja di Balai Pengujian dan Sertifikasi Mutu Barang dalam meningkatkan keakuratan untuk meningkatkan kualitas kopi. Pada penelitian ini, penulis menggunakan proses pengolahan citra biji kopi sebagai input dan menggunakan metode Radial Basis Function (RBF) untuk mengklasifikasikan kualitas biji kopi kedalam 3 jenis kualitas biji kopi sebagai output. Hasil pengujian terhadap 130 citra biji kopi sebagai data training dan 20 citra sebagai data testing menunjukkan bahwa metode yang diajukan mampu mengklasifikasikan kualitas biji kopi uji dengan tingkat akurasi mencapai 90%.
CLASSIFYING QUALITY OF COFFEE BEANS USING RADIAL BASIS FUNCTION (RBF)
ABSTRACT
Coffee is one of the leading commodity in plantation sub-sector in Indonesia because it has a large market opportunity, both domestically and abroad. Before it is exported or marketed, exporters provide samples of coffee beans to the officers in Center for Testing and Quality Certification of Goods (BPSMB) to be tested based on the Indonesian National Standard. Quality tests applied in BPSMB is still done manually so that the probability of human errors is relatively high due to lack of concentration because of the large quantity of samples. In addition, the officers also require a relatively long time to separate good and not good samples to determine its quality. Therefore, a method is required to classify the quality of coffee beans that help officers working at the Center for Testing and Certification of Goods Quality to improve the accuracy while determining the quality of the coffee. In this research, we use image processing techniques to process the image of coffee beans as input and use Radial Basis Function (RBF) to classify the quality of the coffee beans into 3 types of quality coffee beans as output. The test results of 130 images coffee beans as training data and 20 images as testing data show that the proposed method is able to classify the coffee quality test with the accuracy of 90%.
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Ucapan Terima Kasih iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Tabel x Daftar Gambar xi BAB 1 PENDAHULUAN 1.1. Latar Belakang 1 1.2. Rumusan Masalah 3 1.3. Tujuan Penelitian 3 1.4. Batasan Masalah 3 1.5. Manfaat Penelitian 3 1.6. Metodologi Penelitian 4 1.7. Sistematika Penulisan 5
BAB 2 LANDASAN TEORI 7
2.1.Kopi (Coffee) 7
2.2.Pengolahan Citra 10
2.3. Ekstraksi Fitur 12
2.4. Radial Basis Function (RBF) 16
BAB 3 ANALISA DAN PERANCANGAN SISTEM 23
3.1. Data yang digunakan 23
3.2. Arsitektur Umum 24
3.2.1. Input Citra kopi 25
3.2.2. Preprocessing 26
3.2.3. Klasifikasi 32
3.3. Perancangan User Interface 39
3.3.1. Perancangan Halaman Utama 39
3.3.2. Perancangan Halaman Data Uji 40 3.3.3. Perancangan Halaman Proses Training 43
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 44
4.1 Kebutuhan Sistem 44
4.1.1. Perangkat Keras 44
4.1.2. Perangkat Lunak 43
4.2 Implementasi Perancangan Antar Muka 45
4.2.1. Halaman Utama 45
4.2.2. Halaman Data Training 46
4.2.3. Halaman Data Uji 47
4.3 Pengujian Aplikasi 52
4.4 Pelatihan Citra Data Training 53
DAFTAR TABEL
Hal. Tabel 2.1. Penentuan besarnya nilai cacat biji kopi 9
Tabel 2.2. Penelitian terdahulu 22
Tabel 3.1. Data sumber 32
Tabel 3.2. Centroid pada pengulangan 0 33
Tabel 3.3. Hasil perhitungan jarak 34
Tabel 3.4. Hasil output 38
Tabel 4.1. Hasil pengujian sistem 52
Tabel 4.2. Citra training 54
DAFTAR GAMBAR
Hal.
Gambar 2.1. Jenis biji kopi 8
Gambar 2.2. Contoh ekstraksi fitur tekstur ( Crouse et al, 1998) 15 Gambar 2.3. Arsitektur Radial Basis Function 16
Gambar 2.4. Flowchart K-Means 19
Gambar 3.1. Contoh data yang digunakan 23
Gambar 3.2. Arsitektur umum 24
Gambar 3.3. Tabel acuan penyusunan biji kopi 25 Gambar 3.4. Biji Kopi disusun diatas tabel acuan 25 Gambar 3.5. Representasi piksel biji kopi 26 Gambar 3.6. Representasi citra 5 x 5 piksel 27 Gambar 3.7. Nilai grayscale setelah mengitung nilai RGB 29
Gambar 3.8. Proses grayscale 29
Gambar 3.9. Proses threshold 30
Gambar 3.10. Representasi piksel biji kopi 5 x 5 30 Gambar 3.11. Nilai matriks citra dari deteksi tepi sobel 31
Gambar 3.16. Tampilan halaman training 43
Gambar 4.1. Tampilan awal sistem 45
Gambar 4.2. Tampilan training sebelum dan sesudah memilih citra 46 Gambar 4.3. Tampilan single bean sebelum dan sesudah citra diuji 48 Gambar 4.4. Tampilan multiple bean sebelum dan sesudah citra diuji. 51