Uji Kinerja Fuzzy Learning Vector Quatization Untuk Klasifikasi Mutu Biji Kopi

151

Uji Kinerja Fuzzy Learning Vector Quatization Untuk Klasifikasi

Mutu Biji Kopi

Putut Son Maria

1)

1) Jurusan Teknik Elektro, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru 28293, email:

p ut u t . s o n @gmail.com

Abstrak – Teknis pelaksanaan klasifikasi mutu biji kopi di Indonesia sampai saat ini masih dilakukan secara

manual dengan mengkaryakan tenaga ahli. Klasifikasi mutu biji kopi yang berlaku di Indonesia adalah seperti yang tertulis pada standar SNI 01-2907-2008. Sistem pemutuan yang tercantum pada SNI tersebut menganut sistem nilai cacat biji(defect system), yaitu mengklasifikasikan sampel berdasarkan pada total nilai cacat secara visual. Dengan menggunakan teknologi pengolahan citra digital dan komputasi cerdas, maka dapat dibuat sistem mutakhir untuk membantu pekerjaan pemutuan. Fungsi kamera yang meniru mata manusia dapat digunakan sebagai tranduser untuk menghasilkan citra digital, kemudian dari citra tersebut dapat dihitung fitur warna dan fitur teksturnya untuk kemudian digunakan sebagai masukan bagi classifier untuk menentukan kelas mutu(grade) dari sampel. Penelitian ini bertujuan untuk menguji dan mengukur akurasi kinerja algoritma Fuzzy Learning Vector Quantization(FLVQ) sebagai classifier dengan memvariasikan jumlah variabel masukan. Pengujian secara on-line menggunakan 6 dan 9 variabel memberikan hasil bahwa akurasi rata-rata algoritma FLVQ mencapai 65.7% dan 65.7 %, sehingga dari hasil tersebut dapat disimpulkan bahwa dengan memvariasikan jumlah variabel pada FLVQ ternyata tidaklah memberikan perbedaan hasil yang signifikan.

Kata Kunci : pemutuan, klasifikasi, citra digital, fuzzy learning vector quantization.

Abstract - Coffee beans grading system in Indonesia is still carried out manually by employing experts using

SNI 01-2907-2008 as a guide. Aforementioned grading system adopts a value of seed defects system, by classifying samples based on the total value of damaged beans. A sophisticated technique by using digital image processing technology and intelligent computing can be made to facilitate the work of grading. A digital camera which has its function similar to human eye could be used to produce digital image, subsequently a color and texture features of a digital image can be used as input parameters for the classifier to determine the grade-class of samples. This study aims to test the accuracy performance of Fuzzy Learning Vector Quantization (FLVQ) as a classifier by varying the input variables. Results show that on-line testing using 6 and 9 variables gives 65.7% and 65.7% of average accuracy, so that varying quantity of input variables does not influence significantly.

Keywords: grading, classification, digital image, fuzzy learning vector quantization.

1. PENDAHULUAN

Kopi merupakan komoditi terbesar kedua(setelah minyak) diantara sekian komoditi yang paling diperdagangkan di tingkat internasional. Menurut data statistik dari organisasi kopi internasional, Indonesia adalah negara pengekspor kopi nomor empat terbesar setelah Brazil, Vietnam dan Colombia[1][2]. Standard kualitas kopi sebagai komoditi agrikultur memiliki sejarah panjang sejak jaman penjajahan Indonesia oleh Belanda yang dulu dikenal sebagai OVEIP (Organisatie Verenidge Eksporteurs van Indonesische Producten) atau organisasi eksportir produk dari Indonesia. Berikutnya standard yang digunakan menggunakan TRIAGE dan kemudian berganti hingga sekarang standard yang digunakan adalah seperti yang ditetapkan oleh Kementrian Perindustrian melalui penerbitan SNI No. 01-2907-2008. Berdasarkan ketetapan yang tercantum dalam standard SNI tersebut, mutu kopi robusta dipilah menjadi 7 tingkat

mutu. Tingkatan mutu tersebut adalah berdasarkan kriteria nilai cacat biji pada sampel biji kopi. Petunjuk pelaksanaan yang tertulis pada standard SNI tersebut juga menyebutkan bahwa pengawasan dan pengujian mutu dilakukan oleh petugas berpengalaman dari badan hukum yang ditunjuk oleh Departemen Perindustrian dan Perdagangan. Badan yang ditunjuk tersebut adalah Balai Pengujian dan Sertifikasi Mutu Barang yang tersebar di beberapa wilayah dan di bawah pengawasan Depperindag.

Metode klasifikasi mutu yang digunakan seperti yang tersebut di atas sangat mengandalkan pengalaman petugas pada proses pemutuan. Banyaknya kriteria jenis cacat pada biji seperti yang tertulis pada standar SNI yang digunakan juga akan berimbas pada lamanya proses pemutuan. Hal tersebut belum melibatkan adanya faktor-faktor humanistik seperti kelelahan fisik dan psikis, kejenuhan kerja, keraguan dalam mempersepsikan mutu, pencahayaan di tempat kerja dan kesanggupan organ mata untuk mengenali sampel biji yang jumlahnya sangat banyak, seperti

152

contohnya adalah untuk jenis kopi robusta yang

dipanen dari perkebunan di Indonesia seberat 300 gr, rata-rata terdapat sekitar 2000 sampai 2500 biji kopi[3].

Pengamatan secara visual seperti yang dilakukan oleh petugas pemutuan dapat ditirukan kepada sistem yang berbasis mesin. Kamera yang memiliki fungsi mirip dengan organ mata manusia dapat digunakan sebagai tranduser untuk menghasilkan citra digital. Dari sebuah citra digital, maka dapat diperoleh fitur-fitur warna dan tekstur. Kedua fitur inilah yang dapat digunakan sebagai parameter dalam menentukan mutu biji kopi oleh classifier. Pada penelitian ini akan menguji kinerja dari classifier dengan memvariasikan kombinasi fitur warna dan tekstur dengan mengubah jumlah parameternya, kemudian mengukur tingkat akurasi yang dihasilkan oleh classifier. Komputasi cerdas yang diimplementasikan sebagai classifier pada penelitian ini adalah Fuzzy Learning Vector Quantization(FLVQ).

2. LANDASAN TEORI

Beberapa penelitian yang menggunakan komputer dan program komputasi cerdas sebagai classifier untuk klasifikasi mutu biji kopi telah dilakukan oleh peneliti lain sebelumnya, beberapa diantara oleh Dedy[1], Faridah[2] dan Sofi’i[3]. Dedy dkk melakukan pengembangan sistem untuk membuat alat pensortir biji kopi secara biji per biji. Hasilnya adalah berupa mesin yang mensortir biji kopi menurut standar SCAA(Specialty Coffee Association of America). Standar yang digunakan pada penelitian tersebut berbeda dengan penelitian pada paper ini, dimana pada standar SCAA biji kopi hanya diklasifikasikan menurut ukuran biji tanpa adanya cacat biji. Sistem pengamatan citra yang dilakukan secara biji per biji mengakibatkan sistem mekanik yang dibangun pada penelitian tersebut menjadi rumit dan berukuran besar. Sofi’i dkk juga telah melakukan pengembangan sistem dengan cara observasi biji per biji untuk penentuan jenis cacat. Penelitian yang dilakukan oleh Sofi’i lebih dititikberatkan pada pengenalan sistem terhadap jenis cacat pada biji kopi dan bukan pada pensortiran ataupun klasifikasi mutu. Kedua penelitian yang telah disebutkan tersebut adalah penelitian yang sama-sama melakukan observasi secara biji per biji dan menggunakan classifier ANN(Artificial Neural Network). Berbeda dengan penelitian Dedy dan Sofi’i, Faridah dkk melakukan pengembangan sistem pemutuan dengan cara observasi terhadap satuan populasi sampel dengan classifier ANN. Citra sampel rendemen biji kopi yang dihasilkan kamera kemudian diekstraksi fitur warna dan teksturnya. Kedua fitur tersebut yang kemudian menjadi masukan bagi classifier untuk penentuan mutu sampel.

2.1. Model warna RGB

Citra yang dimaksud pada penelitian ini adalah citra digital yang dihasilkan oleh perangkat kamera WEBCAM. Citra yang dihasilkan oleh WEBCAM memiliki format warna RGB. Terdapat beberapa model warna diantaranya adalah Grayscale, RGB, CMYK dan YCrCb. Pada model warna RGB, setiap piksel pada citra digital tersusun menurut urutan warna biru, hijau dan merah. Pada citra berwarna, lebar data setiap warna dialokasikan sebesar 8 bit, sehingga lebar data untuk satu piksel pada citra RGB sebesar 24 bit. Model warna RGB merupakan salah satu model warna yang sering digunakan dalam pengolahan citra. Urutan komponen warna pada sebuah piksel dapat dinyatakan menggunakan “persamaan (1)” [8].

P(x,y) = B. 216 + G.28 + R...(1) Dimana B, G dan R berturut-turut adalah besaran warna biru, hijau dan merah.

2.2. Fitur warna

Model warna RGB memiliki karakter yaitu sifatnya yang mudah berubah karena perubahan intensitas cahaya. Oleh karena itu perlu mencari fitur warna yang lain yang dapat digunakan sebagai masukan bagi classifier yaitu hue, saturation dan intensity yang masing-masing dirumuskan seperti “persamaan (2)”, “persamaan (3)” dan “persamaan (4)”[8].

_{ [ ] [ ]

√( ) ( )( )}………....….(2)

( )_{( )} ………...…(3)

( )……….(4)

Hue adalah besaran kemurnian warna pada bidang radial warna RGB yang cakupannya satu lingkaran penuh. Hue disebut juga dengan corak. Saturation adalah kejenuhan warna. Intensity adalah intensitas cahaya, yaitu yang menetukan gelap-terangnya suatu warna.

2.3. Matrik ko-okurensi

Matrik ko-okurensi adalah salah satu metode statistik yang dapat digunakan untuk analisis tekstur. Matrik ko-okurensi dibentuk dari suatu citra dengan melihat pada piksel-piksel yang berpasangan yang memiliki intensitas tertentu. Penggunaan metode ini berdasar pada hipotesis bahwa dalam suatu tekstur akan terjadi perulangan konfigurasi atau pasangan aras keabuan. Misalnya d adalah jarak antara dua posisi piksel p1(x1 , y1) dan piksel p2(x2 , y2) dan θ didefinisikan sebagai sudut diantara keduanya, maka matrik ko-okurensi didefinisikan sebagai matriks

153

yang menyatakan distribusi spasial antara dua piksel

yang bertetangga yang memiliki intensitas i dan j, yang berjarak d diantara keduanya dan sudut θ diantara keduanya. Matrik ko-okurensi dinyatakan dengan Pdθ(i, j). Suatu piksel yang bertetangga yang memiliki jarak d diantara keduanya, dapat terletak di delapan arah yang berlainan, ilustrasinya ditunjukkan pada Gambar 1.

Gambar 1 Piksel Bertetangga Dalam Delapan Arah 2.4. Fitur tekstur

Tekstur merupakan karakter intrinsik dari sebuah citra yang berhubungan dengan kekasaran (roughness), granulasi dan keteraturan dari pikselnya. Tekstur dari sebuah citra dapat digunakan untuk keperluan segmentasi, klasifikasi dan interpretasi citra. Fitur tekstur yang digunakan pada penelitian ini diantaranya adalah entropi, energi, kontras dan homogenitas. Perhitungan untuk masing-masing besaran dituliskan pada “persamaan (5)”, “persamaan (6)”, “persamaan (7)” dan “persamaan (8)”.

∑ ∑ ( ) ( )……..(5)

∑ ∑ ( ) ……….……(6)

∑ ∑ ( ) ( )….……...…(7)

∑ ∑ _| ( )_|….………(8) Entropi adalah parameter yang menunjukkan derajat keacakan dari distribusi intensitas. Energi adalah parameter yang digunakan untuk mengetahui konsentrasi pasangan intensitas matrik ko-okurensi. Kontras adalah parameter yang menunjukkan kekuatan perbedaan intensitas dalam citra. Homogenitas adalah parameter yang digunakan untuk menghitung variasi intensitas pada citra dan merupakan kebalikan dari kontras.

2.5 Fuzzy Learning Vector Quantization

Learning Vector Quantization(LVQ) merupakan salah satu metode pembelajaran pada jaringan syaraf dengan tujuan untuk melakukan pengelompokan terhadap M vektor data pelatihan menjadi C kelompok(cluster). Pada logika fuzzy, juga dikenal suatu metode pengelompokan data yang dikenal dengan nama Fuzzy C Means (FCM). Integrasi antara

kedua metode ini melahirkan Fuzzy Learning Vector Quantization(FLVQ). Misalkan ada sebanyak M vektor data yaitu X = {x1, x2, … , xM }, xin yang akan dikelompokkan menjadi C cluster dengan pusat cluster di V = {v1, v2, … vc}. FLVQ akan memperbaiki pusat cluster tersebut dengan perubahan sebesar [9]:

Selama proses pelatihan, pusat cluster akan terus berubah-ubah dan akan berhenti setelah iterasi yang ditetapkan telah tercapai.

3. HASIL DAN PEMBAHASAN 3.1 Perancangan sistem

Teknis penelitian dilakukan dengan cara mengambil citra dari sampel, kemudian menghitung fitur warna dan tekstur dari citra tersebut. Jumlah sampel yang diambil citranya adalah sejumlah kelas mutu sesuai dengan standar SNI. Rancangan peralatan untuk pengambilan citra ditunjukkan pada gambar 2.

Gambar 2 Ilustrasi sistem 3.2 Pembuatan program

Citra yang didapatkan dari kamera harus melalui tahap pengolahan awal sebelum melakukan perhitungan fitur warna dan tekstur. Hal ini karena kondisi sampel yang terserak secara acak pada bagian tepi dari nampan harus dieliminasi agar tidak mempengaruhi hasil penilaian oleh classifier, sehingga citra asli yang berukuran M x N akan dipangkas menjadi M’ x N’. Setelah itu baru dilakukan perhitungan fitur warna dan tekstur. Tahap-tahap pengolahan citra ditunjukkan pada gambar 3.

154

Gambar 3 Blok diagram program

3.3 Hasil percobaan

Obyek real pada penelitian ini adalah biji kopi yang sampelnya didapatkan dari Perkebunan Kopi PTPN XII Ngrangkah Pawon, Kabupaten Kediri, Jawa Timur. Contoh citra sampel biji kopi kelas mutu 4b ditunjukkan pada gambar 4.

Gambar 4 Citra asli(kiri) dan citra setelah dipangkas(kanan)

Classifier FLVQ yang digunakan, ditetapkan menjadi 2 kelompok, yaitu:

- FLVQ yang menggunakan 6 variabel masukan yaitu rata-rata hijau, saturasi, energi (0o), entropi (45o), energi (90o) dan kontras (135o).

- FLVQ yang menggunakan 9 variabel masukan yaitu rata-rata merah, hijau, biru, intensitas, saturasi, energi (0o), entropi (45o), energi (90o) dan kontras (135o).

Masing-masing FLVQ dirancang untuk terus melakukan training dengan batasan minimum error sebesar 10-8. Dasar pemilihan variabel dari fitur warna adalah dicari dari keunikan plot grafik terhadap rata-rata hijau dan merah seperti ditunjukkan pada gambar 5.

Gambar 5 Grafik rata-rata warna merah dan hijau

Hasil plot grafik dari fitur tekstur menunjukkan bahwa grafik yang dianggap unik adalah dari parameter entropi, energi dan kontras. Masing-masing plot grafik ditunjukkan pada gambar 6, 7 dan 8 berturut-turut.

Gambar 6 Grafik rata-rata entropi

Gambar 7 Grafik rata-rata energi

Gambar 8 Grafik rata-rata kontras

Pada classifier FLVQ kelompok 2 sengaja menambahkan parameter rata-rata merah, intensity dan rata-rata biru sebagai variabel masukan. Hal ini dimaksudkan untuk mengkompensasi atas karakteristik model warna RGB yang rentan terhadap intensitas cahaya.

3.3 Hasil pengujian

Untuk keperluan data pelatihan dan pengujian bagi classifier, setiap sampel dari setiap kelas mutu diambil gambarnya sebanyak 15 kali. Sepuluh gambar akan digunakan sebagai pelatihan dan lima gambar sebagai data uji. Setiap gambar baru yang diambil, maka kondisi sampel harus diacak-acak sehingga gambarnya berbeda walaupun dari kelas mutu yang sama. Pengujian dilakukan secara offline dan secara online. Tabel 1 menunjukkan hasil pengujian secara offline terhadap kedua FLVQ.

Tabel 1. Akurasi hasil pengujian offline

Grade 6 variabel 9 variabel

1 100% 90% 2 100% 100% 3 100% 100% 4a 100% 100% 4b 80% 70% 5 70% 70% 6 100% 100% Rata-rata 92.86% 85.71%

Ternyata penambahan variabel pada FLVQ justru mengurangi akurasi dari FLVQ. Padahal data yang diujikan telah dilatihkan sebelumnya pada saat proses pelatihan. Hal ini kemungkinan karena ada

155

diantara variabel yang telah ditambahkan adalah

merupakan variabel yang tidak signifikan bagi FLVQ. Hal ini berbeda dengan hasil pengujian secara online yang relatif konsisten. Hasil pengujian secara online ditunjukkan pada tabel 2.

Tabel 2. Akurasi hasil pengujian online

Grade 6 variabel 9 variabel

1 40% 40% 2 80% 80% 3 80% 80% 4a 80% 80% 4b 80% 80% 5 0% 0% 6 100% 100% Rata-rata 66% 66%

Setiap variabel pada vektor data input yang menjadi vektor pelatihan bagi FLVQ sejatinya berpotensi mengubah pusat cluster pada saat vektor pusat dari masing-masing cluster telah terbentuk. Pada classifier FLVQ, perubahan vektor pusat cluster dihitung berdasarkan prinsip jarak euclidian yang berarti bahwa semakin acak data masukan maka keanggotaan data tersebut menjadi semakin relatif terhadap cluster tertentu.

3.4 Diskusi hasil pengujian

Sebagai pembanding terhadap hasil yang telah didapatkan penelitian ini, maka digunakan hasil dari peneliti lain yang menggunakan metode klasifikasi yang berbeda. Metode pembanding yang dimaksud adalah yang telah dihasilkan oleh Faridah dkk[2] yang hasil penelitiannya disajikan dalam bentuk grafik seperti ditunjukkan pada gambar 9.

Gambar 9 Capaian hasil menggunakan metode neural

network menurut Faridah dkk[2]

Dari uraian penjelasan grafik gambar 9, ternyata hasil pengujian Faridah dkk memberikan akurasi untuk masing-masing grade sebesar 100 %, 80 %, 60 %, 40 %, 100 %, 40 % dan 100 % untuk mutu 1, 2, 3, 4a, 4b, 5 dan 6. Sedangkan pada penelitian ini yang menggunakan FLVQ capaian hasilnya adalah 40%, 80%, 80%, 80%, 80%, 0%, 100% untuk mutu 1 sampai 6. Sebagai informasi tambahan, bahwa hasil penelitian oleh Faridah dkk menggunakan 7 variabel input dan pemotongan gambar sampel mencapai 33 – 35 %, sedangkan pada penelitian ini menggunakan 6 variabel input dan pemotongan gambar hanya 2 – 4 %.

4. KESIMPULAN

Capaian hasil yang diberikan oleh classifier FLVQ secara offline ternyata lebih besar dibandingkan secara online, hal ini wajar karena data yang diujikan pernah dikenali oleh classifier pada saat tahap pelatihan. Penambahan jumlah variabel masukan ternyata tidak berpengaruh pada penambahan akurasi pada saat pengujian secara online, bisa dikatakan bahwa tidak terjadi penambahan akurasi yang signifikan. Namun demikian, dari pengujian secara online sekaligus membuktikan bahwa FLVQ yang telah dibuat dengan pemilihan variabel yang ada ternyata memberikan kinerja yang konsisten. Akurasi dari classifier mungkin akan berubah relatif terhadap kuantitas sampel data yang digunakan untuk pelatihan dan pengujian. Seandainya data untuk pelatihan dan pengujian lebih banyak, maka besar kemungkinan akurasi FLVQ dapat mencapai lebih dari 66%. Pembandingan hasil yang dicapai dengan metode berbeda dari peneliti lain membuktikan bahwa ternyata FLVQ dapat digunakan sebagai classifier yang kinerjanya sepadan dengan classifier yang lain. Pada beberapa sampel, baik metode neural network atau FLVQ ternyata menghasilkan akurasi yang sama.

5. UCAPAN TERIMA KASIH

Penulis mengucapkan banyak terima kasih kepada pihak-pihak yang telah membantu penulis melakukan penelitian ini, diantaranya : Ibu Ningrum selaku Staff Pemasaran Kantor Direksi PTPN XII Surabaya, Bpk Kristian selaku Staff QC Kantor Direksi PTPN XII, Bpk Budi selaku Staff QC Perkebunan Kopi PTPN XII Ngrangkah Pawon, Kab. Kediri, Bpk Harris Setiawan selaku Staff Humas Kantor Dinas Perkebunan Kab. Kediri, Bpk Danu Seprianto selaku Pelaku Bisnis Kopi CV. Jaya Mulia – Surabaya, Bpk Taufik selaku Pemasok Kopi UD Karya Cipta-Malang dan segenap pimpinan UIN SUSKA Riau khususnya Fakultas Sains dan Teknologi.

DAFTAR REFERENSI

[1] D. W Soedibyo, I.D Made Subrata, K. B. Seminar, U. Ahmad, “The Development of Automatic Coffee Sorting System Based on Image Processing and Artificial Neural Network”, AFITA 2010 International Conference, hal. 272- 275, 2010.

[2] Faridah, Gea O. F. Parikesit, Ferdiansjah, “Coffee Bean Grade Determination Based on Image Parameter”, TELKOMNIKA, Vol 9, No 3, hal. 574-554, 2011.

[3] Imam Sofi’i, I Wayan Astika, Suroso, “Penentuan Jenis Cacat Biji Kopi Dengan Pengolahan Citra dan Artificial Neural Network”, Jurnal Keteknikan Pertanian, Vol. 19, hal 99 – 108, 2005.

156

[4] http://www.bsn.go.id/ diakses tanggal 27 Juli 2012.

[5] Siswoputranto S, “Kopi : Internasional dan Indonesia”, Kanisius, Yogyakarta, 1993.

[6] Fadlisyah. S.Si,”Computer Vision dan Pemgolahan Citra”, Andi Offset, Yogyakarta, 2007.

[7] Usman Ahmad, “Pengolahan Citra Digital & Teknik Pemrogramannya”, Edisi Pertama, Graha Ilmu, 2005.

[8] Thomas Sri Widodo, “Sistem Neuro Fuzzy Untuk Pengolahan Informasi, Pemodelan dan Kendali”, Edisi Pertama, Graha Ilmu, 2005.

[9] Sri Kusumadewi, Sri Hartati, “Neuro Fuzzy – Integrasi Sistem Fuzzy dan Jaringan Syaraf”, Edisi Pertama, Graha Ilmu, 2006. [10] Nia Marwan Sari, “Pengenalan Biji Kopi Utuh, Biji Kopi Pecah, Biji Kopi Berlubang dan Benda Asing Untuk Evaluasi Mutu Kopi Dengan Pengolahan Citra dan Metode Fuzzy”, Skripsi, Fakultas Teknologi Pertanian IPB, 2004.

[11] http ://www.coffeeresearch.org/coffee/classification.html diakses tanggal 15 Januari 2013.