Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Seminar Nasional Teknologi Informasi Komunikasi dan Administrasi [SEMINASTIKA]
Inte Christinawati Buulolo
Institut Teknologi Del
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mathematics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PENGENALAN BUAH KOPI BERDASARKAN PARAMETER WARNA MENGGUNAKAN ALGORITMA BACKPROPAGATION DAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) Helda Agave Sihombing; Inte Christinawati Buulolo
PROSIDING SEMINASTIKA Vol 3 No 1 (2021): 3rd SEMINASTIKA 2021
Publisher : Universitas Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47002/seminastika.v3i1.234

Abstract

Salah satu kopi arabika unggulan Indonesia adalah Kopi Lintong yang berasal dari Sumatera Utara. Peneliti akan melakukan 2 percobaan yaitu percobaan I untuk memperoleh model terbaik dalam melakukan klasifikasi buah kopi arabika varietas Sigarar Utang. Sedangkan percobaan II dilakukan untuk mengetahui objek mana yang lebih baik digunakan dalam klasifikasi kopi berkualitas berdasarkan parameter warna, apakah buah kopi atau biji kopi. Dataset yang digunakan pada percobaan I adalah berupa 250 gambar buah kopi kualitas baik dan 250 gambar buah kopi kualitas kurang yang diambil langsung dari KSU POM Humbang Cooperative. Kemudian dilakukan image preprocessing yang menghasilkan 2500 gambar baru. Sedangkan dataset yang digunakan pada percobaan II adalah data buah kopi dan biji kopi. Buah kopi terdiri dari 240 gambar buah kopi baik dan 240 gambar buah kopi cacat hasil image rotation. Biji kopi terdiri dari 240 gambar biji kopi baik dan 240 gambar biji kopi cacat. Data tersebut kemudian akan dilakukan ekstraksi fitur dengan menggunakan metode HSV (Hue, Saturation, Value). Selanjutnya akan dilakukan proses learning menggunakan algoritma Backpropagation dan algoritma Support Vector Machine dengan tiga jenis kernel yaitu RBF, polynomial, dan sigmoid. Berdasarkan pengujian yang telah dilakukan, maka diperoleh hasil pada percobaan I menghasilkan model klasifikasi terbaik dengan menggunakan algoritma SVM dengan kernel RBF menghasilkan nilai akurasi sebesar 86% dan nilai f-score sebesar 86%. Untuk percobaan II memperoleh hasil bahwa buah kopi dan biji kopi baik digunakan sebagai objek dalam pengenalan buah kopi berdasarkan fitur warna dengan menggunakan machine learning.
Co-Authors Helda Agave Sihombing