Perbandingan Ruang Warna HSV dan LAB pada Klasifikasi Tingkat Roasting Biji Kopi Menggunakan Jaringan Syaraf Tiruan Backpropogation

Uswatun  Hasanah; Sulfayanti Sulfayanti; Nurhikma  Arifin

doi:10.58602/jaiti.v4i3.301

Uswatun Hasanah ^{(Corresponding Author)} Universitas Sulawesi Barat
Sulfayanti Sulfayanti Universitas Sulawesi Barat
Nurhikma Arifin Universitas Sulawesi Barat

DOI: https://doi.org/10.58602/jaiti.v4i3.301

Keywords: HSV, LAB, Biji Kopi Roasting, JST BACKPROPOGATION, Klasifikasi

Abstract

Kopi menjadi salah satu jenis tanaman perkebunan yang memiliki nilai ekonomis tinggi dan telah lama dibudidayakan oleh masyarakat Indonesia, namun banyak petani dan produsen kopi masih kesulitan dalam menentukan tingkat hasil penyangraian (roasting) biji kopi. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan tahapan biji kopi roasting secara konsisten. Penelitian ini berfokus pada implementasi fitur HSV dan LAB untuk membandingkan efektivitas masing-masing fitur dalam mengidentifikasi variansi warna berdasarkan tingkat roasting biji kopi yang diklasifikasikan menggunakan algoritma Jaringan Syaraf Tiruan (JST) Backpropogation. Klasifikasi ini terdiri dari 4 kategori kelas yaitu green bean, light roast, medium roast dan dark roast. Dataset yang digunakan mencangkup 1600 citra tingkat roasting biji kopi yang dibagi menjadi 1200 data latih dan 400 data uji. Data latih terdiri dari 300 citra sedangkan data uji terdiri dari 100 citra untuk masing-masing tingkat kategori roasting. Proses eksperimen dilakukan dengan pengujian beberapa variasi parameter jaringan untuk memperoleh konfigurasi terbaik. Variasi yang diuji meliputi arsitektur jaringan 3-7-4 dan 3-8-4, fungsi aktivasi menggunakan sigmoid dan softmax, learning rate sebesar 0,005, 0,01, dan 0,05, serta jumlah epoch sebanyak 1000, 1500, dan 2000. Berdasarkan hasil pengujian, kinerja terbaik pada fitur HSV diperoleh dengan tingkat akurasi sebesar 99,25%, sedangkan fitur LAB menghasilkan akurasi tertinggi sebesar 99,75%. Hasil tersebut menunjukkan bahwa fitur LAB mampu memberikan kinerja klasifikasi yang lebih baik dibandingkan fitur HSV dalam mengenali perbedaan tingkat roasting biji kopi. Penelitian ini diharapkan dapat diimplementasikan secara langsung untuk membantu petani dan produsen kopi dalam membedakan tingkat roasting biji kopi.

Downloads

Download data is not yet available.

References

R. A. Lubis, and N. A. B. Rahmani, “Pengaruh Nilai Tukar Rupiah, Harga Kopi Internasional Terhadap Nilai Ekspor Kopi Indonesia Dengan Inflasi Sebagai Variabel Intervening Periode 2002-2021,” Jurnal Ekonomi Pendidikan dan Kewirausahaan, vol. 11, no. 2, pp. 135–152, 2023, doi: https://doi.org/10.26740/jepk.v11n2.p135-152.

H. Syofya, “Analisis Ekspor Kopi Indonesia,” Jurnal Ilmiah Indonesia, vol. 8, no. 8, 2023, doi: dx.doi.org/10.36418/syntax-literate.v6i6.

R. Darmawan, Pusat Data dan Sistem Informasi Pertanian: Outlook Kopi 2023, Jakarta, Indonesia: Kementrian Pertanian, 2023.

M. T. Pamungkas, Masrukan, and Kuntjahjawati, “Pengaruh Suhu Dan Lama Penyangraian (Roasting) Terhadap Sifat Fisik Dan Kimia Pada Seduhan Kopi Arabika (Coffea Arabica L.) Dari Kabupaten Gayo, Provinsi Aceh,” AGROTECH, vol. 3, no. 2, pp. 1–10, 2021, doi: https://doi.org/10.37631/agrotech.v3i2.278.

E. H. Windari et al., Budidaya Kopi Modern : Teknik, Inovasi, Dan Keberlanjutan. Padang, Indonesia: Lingkar Edukasi Indonesia, 2025.

I G. P. A. Saputra, P. W. Rahayu, and I. M. D. Ardiada “Analisis Tingkat Kematangan Sangraian Biji Kopi Menggunakan Ekstraksi Fitur Warna,” J-INTECH (Journal of Information and Technology) no. 204, pp. 123–128, 2024, doi: https://doi.org/10.32664/j-intech.v12i1.1258.

H. A. Rabbani, M. A. Rahman, and B. Rahayudi, “Perbandingan Ruang Warna RGB dan HSV dalam Klasifikasi Kematangan Biji Kopi,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 6, pp. 2243–2248, 2021, doi: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/9013.

D. M. J. Musdar, N. S. Eriyani, S. Azis, A. B. Kaswar, and S. Sasmita, “Implementasi Jaringan Saraf Tiruan Backpropagation Untuk Klasifikasi Tingkat Kesegaran Wortel Berbasis Pengolahan Citra Digital Disertai Operasi Morfologi,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform.), vol. 9, no. 3, pp. 1518–1533, 2024, doi: 10.29100/jipi.v9i3.5672.

C. Rozikin, A. Susilo, and Y. Irawan, “Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation,” Techné: Jurnal Ilmiah Elektroteknik, pp. 1–12, doi: https://doi.org/10.31358/techne.v20i1.231.

I. Alfiantama et al., “Klasifikasi Tingkat Roasting Biji Kopi Dengan Metode CNN,” Prosiding Seminar Nasional Teknologi Dan Sains, vol. 3, pp. 285–290, 2024.

A. G. Arumsari, R. Surya, S. Irmasuryani, and W. Sapitri, “Analisis Proses Roasting pada Kopi,” Jurnal Beta Kimia, vol. 1, no. November, pp. 98–101, 2021, doi: https://doi.org/10.35508/jbk.v1i2.5586.

Ryansyah, “Identifikasi Tingkatan Warna Pada Kopi Roasting Menggunakan Metode HSV Berbasis Mobile,” TIN: Terapan Informatika Nusantara, vol. 1, no. 10, pp. 520–526, 2021, doi: https://ejurnal.seminar-id.com/index.php/tin.

N. Mudhofar and S. Agustin, “Klasifikasi Penyakit Daun Apel Menggunakan Ekstraksi Fitur Warna RGB,” Repeater: Publikasi Teknik Informatika dan Jaringan, vol. 2, no. 3, 2024, doi: https://doi.org/10.62951/repeater.v2i3.120.

M. R. Syahputra, and Y. R. Nasution, “Klasifikasi Tingkat Kematangan Kopi Gayo Berdasarkan Fitur Citra Warna Kulit Menggunakan Metode Transformasi Ruang Warna HSV,” JCBD: Journal Of Computers And Digital Business, vol. 5, pp. 49–58, 2026, doi: https://doi.org/10.56427/jcbd.v5i2.985

M. R. Mulia, A. B. Kaswar, D. D. Andayani, and A. Sadri, “Klasifikasi Kandungan Nutrisi Buah Pisang Berdasarkan Fitur Tekstur Dan Warna Lab Menggunakan Jaringan Syaraf Tiruan Berbasis Pengolahan Citra Digital,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 11, no. 3, pp. 507–518, 2024, doi: 10.25126/jtiik.938332.

P. Lestari, Zulfauzi, and B. Santoso, “Klasifikasi Tingkat Kematangan Roasting Kopi Menggunakan Deep Learning,” Jurnal Digital Teknologi Informasi, vol. 07, no. 01, pp. 1–5, 2024, doi: https://doi.org/10.32502/digital.v7i1.5655.

Khairullah, and E. D. Putra, “Identifikasi Kematangan Cabai Menggunakan Operasi Morfologi (Opening dan Closing) dan Metode Backpropagation,” SISTEMASI: Jurnal Sistem Informasi, vol. 10, pp. 96–105, 2021, doi: https://doi.org/10.32520/stmsi.v10i1.1094.

A. M. I. Tafsir, Sulfayanti, and N. Nur, “Pendekatan Backpropagation Artificial Neural Network Untuk Prediksi Kemurnian Madu,” Techno.COM, vol. 24, no. 4, pp. 1199–1210, 2025, doi: https://doi.org/10.62411/tc.v24i4.14855.

A. W. Putri, “Implementasi Artificial Neural Network (ANN) Backpropagation Untuk Klasifikasi Jenis Penyakit Pada Daun Tanaman Tomat,” MATHunesa, vol. 09, no. 02, pp. 344–350, 2021, doi: https://doi.org/10.26740/mathunesa.v9n2.p344-350.

A. F. Setiadi F., A. A. Kurniawan, A. D. Hartanto, and Hartatik, “Implementasi Metode CNN dan Deep Learning untuk Menentukan Tingkat Roasting Biji Kopi,” Intechno J. (Information Technol. Journal), vol. 4, no. 2, pp. 48–54, 2022, doi: https://doi.org/10.24076/intechnojournal.2022v4i2.1563.