Biji kopi memiliki peranan penting dalam industri minuman dan komoditas ekspor di berbagai negara. Dua jenis biji kopi yang paling dikenal adalah Arabika dan Robusta. Dalam dunia industri kopi, membedakan antara jenis biji kopi ini sangatlah penting karena kualitas, rasa, dan aroma kopi yang dihasilkan dapat berbeda antara keduanya. Dalam artikel ini, akan dijelaskan bagaimana pengolahan citra dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ) dapat digunakan untuk mengklasifikasi jenis biji kopi Arabika dan Robusta berdasarkan ekstraksi ciri tekstur orde satu.

Pengolahan citra merupakan cabang ilmu komputer yang fokus pada analisis dan manipulasi gambar untuk mendapatkan informasi yang berharga. Salah satu aplikasi dari pengolahan citra adalah dalam klasifikasi objek, di mana tujuannya adalah untuk mengenali dan membedakan objek berdasarkan fitur-fitur yang ada di dalam citra tersebut.

Ekstraksi Ciri Tekstur Orde Satu

Sebelum melakukan klasifikasi, langkah pertama yang perlu dilakukan adalah ekstraksi ciri. Dalam kasus ini, ciri tekstur orde satu digunakan sebagai fitur untuk membedakan antara biji kopi Arabika dan Robusta. Ciri tekstur orde satu ini meliputi parameter mu, standar deviasi, skewness, energi, entropi, dan smoothness. Setiap parameter ini merepresentasikan karakteristik tekstur yang berbeda pada citra biji kopi.

• Mu: Merupakan nilai rata-rata intensitas piksel pada citra. Nilai ini dapat mengindikasikan tingkat kecerahan biji kopi.
• Standar Deviasi: Menunjukkan sejauh mana nilai intensitas piksel menyebar dari nilai rata-rata. Ini bisa menggambarkan variasi warna pada citra biji kopi.
• Skewness: Menggambarkan asimetri distribusi intensitas piksel pada citra. Nilai skewness dapat mengindikasikan kecondongan distribusi warna.
• Energi: Merupakan ukuran dari seberapa cepat intensitas piksel berubah pada citra. Nilai energi tinggi menunjukkan tekstur yang halus.
• Entropi: Mengukur ketidakpastian distribusi intensitas piksel. Nilai entropi yang rendah menunjukkan pola tekstur yang konsisten.
• Smoothness: Mengindikasikan sejauh mana perubahan intensitas piksel yang tajam. Nilai smoothness tinggi menunjukkan tekstur yang lebih halus.

Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ)

Learning Vector Quantization (LVQ) beroperasi dengan cara memetakan data input ke dalam prototipe atau vektor referensi yang mewakili kelas-kelas yang berbeda. Proses pelatihan LVQ melibatkan penyesuaian prototipe untuk mendekati data latihan. Ini dilakukan dengan meminimalkan kesalahan klasifikasi antara prototipe dan data latihan.

LVQ memiliki beberapa komponen penting:

1. Prototipe: Prototipe adalah vektor yang mewakili karakteristik kelas tertentu. Selama pelatihan, prototipe ini diperbarui agar lebih baik mencerminkan data latihan dari kelas yang bersangkutan.
2. Learning Rate: Learning rate menentukan seberapa besar perubahan yang diterapkan pada prototipe selama proses pelatihan. Learning rate yang lebih tinggi dapat mempercepat konvergensi, tetapi juga dapat membuat prototipe melompat-lompat dan menghambat konvergensi yang baik.
3. Fungsi Kesamaan: Fungsi ini mengukur sejauh mana prototipe mewakili data input. Fungsi ini biasanya berupa fungsi jarak, seperti jarak Euclidean atau jarak Manhattan.

Langkah-Langkah dalam LVQ

1. Inisialisasi Prototipe: Prototipe awalnya diinisialisasi secara acak atau berdasarkan data latihan.
2. Pengenalan Data: Data input disajikan ke dalam LVQ, dan prototipe yang paling dekat dengan data tersebut diidentifikasi menggunakan fungsi kesamaan.
3. Penyesuaian Prototipe: Prototipe yang terpilih diperbarui dengan mempertimbangkan data input. Jika prototipe mewakili kelas yang benar, akan ditarik lebih dekat ke data input. Jika tidak, akan ditekan lebih jauh.
4. Iterasi: Langkah pengenalan dan penyesuaian diulang sejumlah iterasi yang telah ditentukan.
5. Evaluasi dan Akhir Pelatihan: Setelah iterasi selesai, model diuji dengan data pengujian yang belum pernah dilihat sebelumnya untuk mengevaluasi akurasi dan kinerja model.

Hasil dan Akurasi

Dalam eksperimen ini, hasil pelatihan dengan menggunakan jaringan LVQ pada data biji kopi menghasilkan akurasi pelatihan sebesar 88,18%. Ini berarti model mampu mengenali pola dan ciri tekstur orde satu yang membedakan antara biji kopi Arabika dan Robusta pada data latihan. Namun, pengujian pada data yang belum pernah dilihat sebelumnya menghasilkan akurasi sebesar 85%. Meskipun akurasi pengujian sedikit lebih rendah dari akurasi pelatihan, hasil ini masih cukup baik dan menunjukkan kemampuan model dalam melakukan generalisasi pada data yang belum pernah dilihat sebelumnya.

Pengolahan citra dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ) dapat digunakan untuk mengklasifikasi jenis biji kopi Arabika dan Robusta berdasarkan ekstraksi ciri tekstur orde satu. Hasil eksperimen menunjukkan bahwa model memiliki kemampuan untuk mengenali ciri-ciri tekstur yang membedakan kedua jenis biji kopi ini dengan akurasi yang cukup baik. Dengan demikian, teknik ini memiliki potensi untuk diterapkan dalam industri kopi guna membantu dalam proses klasifikasi dan pemilahan biji kopi.

Tutorial lengkap penerapan pengolahan citra untuk Klasifikasi Biji Kopi Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) dapat dilihat pada video eksklusif berikut ini: