Prototype Sistem Penyortir Buah Kopi Arabika Berdasarkan Tingkat Kematangan Menggunakan Metode Support Vector Machine

Abstract

Salah satu proses peningkatan mutu kopi adalah menyeleksi buah kopi yang matang dan belum matang pasca panen yang dilakukan dengan cara memilih satu per satu. Namun dengan cara tersebut terdapat kelemahan yaitu inkonsistennya hasil sortiran karena faktor subjektifitas dan intentitas cahaya. Sebagai solusi, pada penelitian ini didesain alat bantu dalam bentuk prototipe untuk menyortir buah kopi berdasarkan kematangannya. Kopi matang ditandai dengan warna merah, kopi setengah matang dengan warna kuning kemerahan dan kopi mentah dengan warna hijau. Kamera diletakkan dalam kotak guna mengurangi intentitas cahaya eksternal, digunakan untuk mengambil citra buah kopi kemudian citra buah kopi akan dipisahkan dengan background dengan metode segmentasi warna hue, saturation, value (HSV). Selanjutnya citra buah kopi diekstraksi untuk mendapatkan nilai setiap warna dengan parameter red, green, blue (RGB) dan HSV guna membentuk model klasifikasi metode support vector machine (SVM). Parameter SVM optimum yaitu cost (C)= 10,0 dan gamma (γ)= 0,001. Prototipe yang dibangun berbentuk persegi panjang dengan panjang 70 cm, lebar 10 cm dan tinggi 12 cm. Komponen penyortir yaitu servo yang memutar ke sudut 90o untuk klasifikasi “matang”, sudut 45o untuk klasifikasi “matang setengah” dan sudut 135o untuk klasifikasi “mentah” sedangkan conveyor belt digerakkan oleh motor DC 12 V. Meskipun pada proses prediksi perangkat lunak terdapat kesalahan prediksi namun perangkat keras telah bekerja dengan baik ditandai dengan servo berhasil memutar link ke sudut yang telah ditentukan sesuai hasil prediksi. Dengan demikian, dapat disimpulkan bahwa prototipe sistem penyortir buah kopi arabika berdasarkan kematangannya berhasil dibangun.

Deteksi Tingkat Kematangan Buah Pinang Menggunakan Metode Support Vector Machine Berdasarkan Warna Dan Tekstur

“…Selain itu, SVM juga dapat digunakan dalam masalah regresi untuk memprediksi nilai berdasarkan data yang diberikan. Salah satu keunggulan utama SVM adalah kemampuannya untuk efektif beroperasi dalam situasi di mana data memiliki dimensi yang tinggi [15].…”