Keywords
Klasifikasi Biji Kopi
Ekstraksi Fitur GLCM
How to Cite
Abstract
Abstrak— Penentuan mutu biji kopi secara akurat merupakan bagian penting dalam proses pascapanen dan pengolahan industri kopi. Namun, klasifikasi manual masih bersifat subjektif dan kurang efisien. Penelitian ini bertujuan membangun sistem klasifikasi otomatis untuk membedakan biji kopi dan non-kopi menggunakan metode Support Vector Machine (SVM) yang dikombinasikan dengan ekstraksi fitur tekstur dari citra menggunakan Gray Level Co-occurrence Matrix (GLCM). Dataset terdiri dari citra tiga jenis biji kopi (green, light, dark) serta citra non-kopi (beras, leci, dan coklat). Setiap citra diolah melalui tahap grayscale, resize, ekstraksi fitur (contrast, correlation, energy, homogeneity), dan normalisasi. Model SVM dioptimasi dengan Grid Search dan 5-fold cross validation. Hasil pengujian menunjukkan model mampu mengklasifikasikan dua kelas dengan akurasi 100%. Sistem telah diimplementasikan dalam aplikasi web berbasis Python. Hasil ini menunjukkan bahwa kombinasi GLCM dan SVM efektif untuk klasifikasi visual biji kopi dan memiliki potensi aplikasi dalam proses sortir otomatis dan kontrol mutu berbasis citra digital.
References
[1] A. Faridah, R. Santosa, dan A. Zainuddin, “Klasifikasi Kualitas Biji Kopi Menggunakan Metode Jaringan Syaraf Tiruan dan Ekstraksi Ciri Tekstur,” Jurnal Ilmiah Komputer dan Informatika (KOMPUTA), vol. 9, no. 2, 2020.
[2] R. M. Haralick, K. Shanmugam, dan I. Dinstein, “Textural Features for Image Classification,” IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3, no. 6, pp. 610–621, 1973.
[3] Cortes, Corinna, and Vladimir Vapnik. "Support-vector networks." Machine learning 20 (1995): 273-297.
[4] Yana, Yusuf Eka, and Nur Nafi’iyah. "Klasifikasi jenis pisang berdasarkan fitur warna, tekstur, bentuk citra menggunakan SVM dan KNN." Res. J. Comput. Inf. Syst. Technol. Manag 4.1 (2021): 28. [5] Wyatt, J. C., Spiegelhalter, D. 2008. Field Trials of Medical Decision-Aids: PotentialProblems and Solutions. Proceeding of 15th Symposium on ComputerApplications in Medical Care. Washington. May 3
[5] Dong, Yiyang, et al. "A machine learning model for product fraud detection based on svm." 2021 2nd International Conference on Education, Knowledge and Information Management (ICEKIM). IEEE, 2021.
[6] Fajri, Muhamad, and Aji Primajaya. "Komparasi Teknik Hyperparameter Optimization pada SVM untuk Permasalahan Klasifikasi dengan Menggunakan Grid Search dan Random Search." Journal of Applied Informatics and Computing 7.1 (2023): 10-15. [8] Wallace, V. P., Bamber,J. C. dan Crawford, D. C. 2000. Classification of reflectance spectra from pigmented skin lesions, a comparison of multivariate discriminate analysis and artificial neural network. Journal Physical Medical Biology. No.45. Vol.3. 2859-2871.
[7] Darmawan, Zakha Maisat Eka, and Ashafidz Fauzan Dianta. "Implementasi optimasi hyperparameter GridSearchCV pada sistem prediksi serangan jantung menggunakan SVM." Teknologi: Jurnal Ilmiah Sistem Informasi 13.1 (2023): 8-15.
[8] K. Wahidah, D. Pranolo, dan I. P. Raka, “Ekstraksi Ciri Tekstur Menggunakan GLCM untuk Klasifikasi Citra Daun,” Jurnal Informatika dan Sistem Informasi (JIFSI), vol. 8, no. 1, 2022.
[9] C. Cortes dan V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, no. 3, pp. 273–297, 1995.
[10] J. Bergstra dan Y. Bengio, “Random Search for Hyper-Parameter Optimization,” Journal of Machine Learning Research, vol. 13, pp. 281–305, 2012.
[11] I. T. Umagapi, B. Umaternate, H. Hazriani, and Y. Yuyun, "Uji Kinerja K-Means Clustering Menggunakan Davies Bouldin Index Pada Pengelompokan Data Prestasi Siswa," Prosiding SISFOTEK, vol. 7, no. 1, pp. 303-308, 2023.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Muhammad Nur Ichsan, Made Ayu Dusea Widyadara, Umi Mahdiyah