Pengembangan sistem pemutuan berbasis pengolahan citra dan jaringan syaraf tiruan untuk alat sortasi kopi beras tipe konveyor sabuk

PENGEMBANGAN SISTEM PEMUTUAN BERBASIS
PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN
UNTUK ALAT SORTASI KOPI BERAS TIPE KONVEYOR SABUK

DEDY WIRAWAN SOEDIBYO

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012

i

PERNYATAAN MENGENAI DISERTASI
DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa disertasi dengan Judul: Pengembangan
Sistem Pemutuan Berbasis Pengolahan Citra dan Jaringan Syaraf Tiruan untuk
Alat Sortasi Kopi Beras Tipe Konveyor Sabuk adalah karya saya dengan arahan
dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada
perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam

teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini.

Bogor, Mei 2012
Dedy Wirawan Soedibyo
NIM F164070111

ii

ABSTRACT
DEDY WIRAWAN SOEDIBYO. Development of grading system based on
image processing and artificial neural network for green coffee sorting equipment
with belt konveyor type. Under supervision of USMAN AHMAD, KUDANG
BORO SEMINAR, and I DEWA MADE SUBRATA.
The objective of this research was to develop a grading system which
consisted of a computer program of image processing and artificial neural network
to identify quality of green coffee namely A, B, C, and RJ (reject). Two images of
the green coffee from top and bottom captured by two cameras were analyzed to
get six quality parameters which matched the green coffee quality criteria namely
length, area, perimeter, defect area, index of red color, and index of green color.
Those six quality parameters were used as training data inputs (75% - 768 kernel)

of the developed artificial neural network (ANN). Eighteen variations of ANN
were developed for ANN training purposes. The weight of the selected ANN
architecture were used to identify the quality class of testing data (25%), and then
integrated with image processing program so the program could identify green
coffee quality class automatically. The total accuracy of ANN was 67% from top
camera with A 59%, B 53%, C 70%, RJ 84%, and the total accuracy was 71%
from bottom camera with A 75%, B 45%, C 73%, and RJ 92% based from 256
testing data. The total accuracy of ANN from combination of both cameras was
68%. New training was developed in order to increase prediction accuracy by
modified ANN inputs. Prediction accuracy produced by the new ANN weight
were A 78%, B 53%, C 70%, RJ 98%, and the total accuracy was 75%
Keyword: green coffee, grading, computer program, image processing, artificial
neural network

iii

RINGKASAN
DEDY WIRAWAN SOEDIBYO. Pengembangan Sistem Pemutuan Berbasis
Pengolahan Citra dan Jaringan Syaraf Tiruan untuk Alat Sortasi Kopi Beras Tipe
Konveyor Sabuk. Dibimbing oleh USMAN AHMAD, KUDANG BORO

SEMINAR, dan I DEWA MADE SUBRATA.
Indonesia merupakan salah satu negara penghasil dan pengekspor kopi
utama ke tiga di dunia setelah Brazil dan Vietnam. Komoditi kopi sangat
prospektif sebagai salah satu motor pembangunan agribisnis dan agroindustri
Indonesia, asalkan ditangani secara baik dan profesional. Pemantauan dan
peningkatan mutu kopi yang diperdagangkan, terutama untuk pasar ekspor
merupakan suatu syarat penting dalam penanganan produk kopi.
Pemutuan kopi sebagai komoditas bijian secara mekanik di Indonesia saat
ini masih terbatas pada pemutuan berdasarkan ukuran dan densitas. Beberapa alat
sortasi secara visual menggunakan pengolahan citra telah dikembangkan di
Indonesia seperti untuk jeruk, manggis, dan mangga telah dapat menyeleksi
berdasarkan ukuran dan warna dengan optimal. Sedangkan alat sortasi secara
visual untuk bijian masih belum dikembangkan di Indonesia. Pengolahan citra
menggunakan sistem visual berdasarkan sensor elektro-optika mempunyai
kemampuan yang lebih peka, tepat, dan obyektif daripada kemampuan visual
manusia.
Pengenalan pola (pattern recognition) adalah proses mengenali suatu objek
secara independen ataupun berdasarkan kemiripan dengan data-data yang telah
ada sebelumnya. Jaringan syaraf tiruan (artificial neural network) adalah salah
satu metode pengenalan pola, merupakan sebuah struktur komputasi yang

dikembangkan dari jaringan syaraf biologi dalam otak.
Berdasarkan penanganan bijian ada dua tipe yang dilakukan, yaitu tipe
konveyor sabuk (belt) dan tipe meluncur (chute). Tipe sabuk memiliki
keterbatasan hanya dapat memeriksa obyek pada satu sisi saja, dan memiliki
keunggulan yaitu memungkinkan pemisahan mutu lebih dari dua kategori.
Sedangkan tipe luncur hanya dapat memisahkan mutu dalam dua katagori saja
(accept dan reject) dan memiliki keunggulan yaitu dapat memeriksa dua sisi
permukaan obyek, karena konstruksinya memungkinkan untuk penempatan
kamera yang berseberangan.
Penelitian ini berusaha untuk menggabungkan keunggulan dan
meminimalisir kekurangan yang dimiliki oleh dua metode (belt dan chute), dan
dilakukan secara real time, serta dengan objek majemuk. Penanganan kopi beras
menggunakan konveyor tipe sabuk yang berlubang dengan konfigurasi matriks,
dan pengambilan citra menggunakan dua kamera yang diletakkan secara
berseberangan.
Harapan dari penelitian ini adalah sistem pemutuan dengan tipe konveyor
sabuk ini mampu memeriksa seluruh permukaan kopi beras, sehingga menjamin
pemutuan yang lebih akurat, selain itu juga diharapkan mampu mengidentifikasi
kopi beras dalam empat kelas mutu. Kombinasi dua hal inilah yang diajukan
sebagai novelty dalam penelitian ini.

Pada penelitian ini pemutuan kopi bertujuan mengidentifikasi kopi beras
dalam empat kelas mutu yaitu A, B, C, dan reject (RJ). Pedoman yang digunakan
adalah sistem klasifikasi kopi berdasarkan SCAA (specialty coffee association of
iv

America). Target mutu yang diharapkan adalah kopi spesialti (specialty grade
green coffee). Dengan demikian kelas mutu A, B, dan C merupakan kelas mutu
spesialti. Kelas mutu A adalah kopi yang tidak lolos ayakan diameter 7.5 mm;
kelas mutu B adalah kopi yang lolos ayakan diameter 7.5 mm dan tidak lolos
ayakan diameter 6.5 mm; dan kelas mutu C adalah kopi yang lolos ayakan
diameter 6.5 mm dan tidak lolos ayakan diameter 5.5 mm. Seluruh kelas mutu A,
B, dan C di atas merupakan kopi beras yang bebas cacat. Kelas mutu RJ terdiri
atas biji kopi beras berukuran kecil (lolos ayakan 5.5 mm) dan biji kopi beras
yang cacat.
Sumber data yang digunakan dalam analisis JST adalah data hasil
pengolahan citra, yang dibagi dalam dua bagian yaitu 768 data training dan 256
data testing. Data training memiliki nilai target yang dibagi menjadi 4 kelas mutu
yaitu mutu A, B, C dan reject (RJ). Masing-masing data memiliki enam parameter
mutu berupa area biji, panjang biji, lebar biji, perimeter, area cacat, dan indeks
warna hijau. Dengan demikian pada input JST terdapat enam node. Algoritma

pelatihan yang digunakan adalah backpropagation gradient descent dengan
momentum, menggunakan satu lapisan tersembunyi. Jumlah node output adalah
dua node yang dinyatakan dalam bilangan bipolar (1 dan -1). Delapan belas
variasi JST yang diuji untuk tiap-tiap kamera yaitu kombinasi dari variasi jumlah
node pada lapisan tersembunyi (10, 15, dan 20) dengan variasi jumlah iterasi
(20 000, 40 000, dan 60 000). Dari 18 macam variasi itu ditentukan yang terbaik,
dalam arti mampu memberikan hasil dugaan yang mendekati hasil sebenarnya.
Variasi dengan kinerja terbaik adalah variasi dengan 10 node lapisan
tersembunyi pada kamera atas dan 10 node lapisan tersembunyi pada kamera
bawah dengan jumlah iterasi 40 000. Akurasi prediksi kelas mutu dari citra hasil
kamera atas menggunakan JST adalah: untuk kelas mutu A 59%, B 53%, C 70%,
dan RJ 84%, dengan akurasi total: 67%. Sedangkan akurasi prediksi kelas mutu
dari citra hasil kamera bawah menggunakan JST adalah: untuk kelas mutu A 75%,
B 45%, C 73%, dan RJ 92%, dengan akurasi total: 71%. Hasil identifikasi mutu
berdasarkan gabungan pasangan prediksi kamera atas dan bawah menggunakan
kaidah ketiga yaitu jika pasangan prediksi menunjukkan nilai yang sama atau
dipilih kelas mutu yang terburuk dari pasangan prediksi dua kamera menunjukkan
akurasi total 68%.
Analisa JST dengan menggabungkan parameter mutu hasil pengolahan citra
kamera atas dan bawah dilakukan untuk mendapatkan peningkatan kinerja JST.

Penggabungan tersebut dilakukan dengan menghitung nilai rerata parameter mutu
area, tinggi, lebar, indeks warna hijau (g), sedangkan parameter mutu area cacat
dihitung dengan menjumlahkan area cacat kamera atas dengan kamera bawah.
Kelima parameter mutu tersebut menjadi input pada JST yang dianalisis menjadi
sembilan variasi, yaitu kombinasi dari variasi jumlah node pada lapisan
tersembunyi (10, 15, dan 20) dengan variasi jumlah iterasi (20 000, 40 000, dan
60 000).
Variasi dengan kinerja terbaik adalah variasi dengan 10 node lapisan
tersembunyi dengan jumlah iterasi 40 000. Akurasi prediksi kelas mutu JST hasil
penggabungan input adalah: untuk kelas mutu A 78%, B 53%, C 70%, dan RJ
98%, dengan akurasi total: 75%.
Kata kunci: kopi beras, pemutuan, program komputer, pengolahan citra, jaringan
syaraf tiruan
v

©Hak Cipta milik IPB, tahun 2012
Hak Cipta dilindungi Undang-undang
1. Dilarang

mengutip

sebagian

atau

seluruh

karya

tulis

ini

tanpa

mencantumkan atau menyebutkan sumber
a. Pengutipan

hanya

untuk

kepentingan

pendidikan,

penelitian,

penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau
tinjauan suatu masalah
b. Pengutipan tidak merugikan kepentingan yang wajar IPB
2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya
tulis dalam bentuk apapun tanpa seizin IPB

vi

PENGEMBANGAN SISTEM PEMUTUAN BERBASIS
PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN
UNTUK ALAT SORTASI KOPI BERAS TIPE KONVEYOR SABUK

DEDY WIRAWAN SOEDIBYO

Disertasi
sebagai salah satu syarat untuk memperoleh gelar
Doktor pada
Program Studi Ilmu Keteknikan Pertanian

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012

vii

Penguji pada Ujian Tertutup:

Dr. Ir. Agus Purwito, M.Sc.Agr.
Dr. Ir. Agus Buwono, M.Si., M.Kom.

Penguji pada Ujian Terbuka:

Dr. Ir. Sutrisno, M.Agr.
Dr. Ir. Ridwan Rahmat, M.Agr.

viii

Judul Disertasi
Nama
NIM
Program Studi

: Pengembangan Sistem Pemutuan Berbasis Pengolahan Citra
dan Jaringan Syaraf Tiruan untuk Alat Sortasi Kopi Beras
Tipe Konveyor Sabuk
: Dedy Wirawan Soedibyo
: F164070111
: Ilmu Keteknikan Pertanian

Disetujui
Komisi Pembimbing

Dr. Ir. Usman Ahmad, M.Agr.
Ketua

Prof. Dr. Ir. Kudang Boro Seminar, M.Sc.
Anggota

Dr. Ir. I Dewa Made Subrata, M.Agr.
Anggota

Mengetahui,
Ketua Program Studi
Ilmu Keteknikan Pertanian

Dekan Sekolah Pascasarjana IPB

Dr. Wawan Hermawan, M.S.

Dr. Ir. Dahrul Syah, M.Sc.Agr.

Tanggal Ujian: 26 April 2012

Tanggal Lulus:

ix

PRAKATA
Puji syukur penulis panjatkan kehadirat Allah SWT atas segala karunia-Nya,
sehingga karya ilmiah ini dapat diselesaikan. Tema yang dipilih dalam penelitian
ini adalah teknik sortasi berbasis mesin visual dan kecerdasan buatan dengan judul
Pengembangan Sistem Pemutuan Berbasis Pengolahan Citra dan Jaringan Syaraf
Tiruan untuk Alat Sortasi Kopi Beras Tipe Konveyor Sabuk, merupakan salah
satu syarat untuk memperoleh gelar Doktor pada Program Studi Ilmu Keteknikan
Pertanian, Sekolah Pascasarjana Institut Pertanian Bogor.
Penulis menyampaikan terimakasih dan penghargaan kepada Bapak Dr. Ir.
Usman Ahmad, M.Agr. selaku ketua komisi pembimbing, Bapak Prof. Dr. Ir.
Kudang Boro Seminar, M.Sc., dan Bapak Dr. Ir. I Dewa Made Subrata, M.Agr.
selaku anggota komisi pembimbing atas segala perhatian, kepercayaan, kesabaran,
bimbingan, arahan, wawasan ilmu yang diberikan, kritik, saran, serta waktu yang
disediakan selama penulisan proposal, pelaksanaan penelitian, penulisan disertasi,
mempersiapkan seminar, dan ujian hingga akhirnya penulis dapat menyelesaikan
disertasi serta menyelesaian studi program doktor di Institut Pertanian Bogor.
Ucapan terima kasih disampaikan kepada Rektor Universitas Negeri Jember,
Dekan Fakultas Teknologi Pertanian, dan Ketua Jurusan Ilmu Keteknikan
Pertanian, atas izin yang diberikan kepada penulis untuk melanjutkan program
Doktor di Program Studi Ilmu Keteknikan Pertanian, Sekolah Pascasarjana
Institut Pertanian Bogor. Terima kasih juga kami sampaikan kepada kepala dan
staf Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen
Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian
Bogor atas segala fasilitas dan bahan yang penulis gunakan selama penelitian.
Akhirnya penulis menyampaikan terima kasih kepada ayah, bunda, istri,
anak, dan keluarga besar atas pengorbanan, pengertian, dorongan, dan doa yang
tak pernah putus. Semoga karya ilmiah ini bermanfaat bagi pengembangan ilmu
dan teknologi.
Bogor, Mei 2012
Dedy Wirawan Soedibyo

x

RIWAYAT HIDUP

Penulis dilahirkan di Jember, Jawa Timur pada tanggal 7 Juli 1974, anak ke
dua dari pasangan Bapak Soedibyo Ramelan Elhar dan Ibu Sri Hardini. Menikah
pada tahun 1998 dengan Rr. Ika Wahyurini putri dari Bapak Muh. Nurhatip (Alm)
dengan Ibu Indahwati, dan sekarang dikarunia 2 orang putra Muhammad Farhan
Binashrillah dan Muhammad Taqiyuddin Al Farras. Pendidikan sarjana ditempuh
di Jurusan Teknologi Pertanian, Fakultas Teknologi Pertanian, Universitas Negeri
Jember dari tahun 1993-1998. Pada tahun 1999, penulis diangkat menjadi staf
pengajar di Fakultas Teknologi Pertanian, Universitas Negeri Jember. Pada tahun
2002 penulis mendapat kesempatan melanjutkan pendidikan S2 di Sekolah
Pascasarjana Institut Pertanian Bogor di Program Studi Ilmu Keteknikan
Pertanian dengan Beasiswa Program Pascasarjana (BPPS DIKTI), dan selesai
pada tahun 2006. Pada tahun 2007 penulis mendapat kesempatan melanjutkan
pendidikan S3 di tempat yang sama dengan Beasiswa IMHERE Universitas
Negeri Jember. Beberapa karya ilmiah yang berkaitan dengan disertasi, telah
diterbitkan diantaranya:
a. Soedibyo DW, Ahmad U, Seminar KB dan Subrata IDM. 2009.
Pengembangan algoritma pengolahan citra untuk pemutuan kopi beras. J.
Agro-Techno 8:489-499
b. Soedibyo DW, Ahmad U, Seminar KB dan Subrata IDM. 2012.
Pengembangan algoritma pemutuan kopi beras menggunakan pengolahan citra
dan jaringan syaraf tiruan. J. Gema Agro 30:48-58

xi

DAFTAR ISI
Halaman
DAFTAR TABEL .........................................................................................

xiii

DAFTAR GAMBAR ....................................................................................

xiv

DAFTAR LAMPIRAN .................................................................................

xvi

PENDAHULUAN
Latar Belakang ....................................................................................
Perumusan Masalah .............................................................................
Tujuan Penelitian ................................................................................
Manfaat Penelitian .............................................................................
Kebaruan Penelitian ............................................................................

1
2
3
3
4

TINJAUAN PUSTAKA
Kopi ....................................................................................................
Peralatan Pemutuan Kopi ....................................................................
Standar Mutu Kopi ..............................................................................
Pengolahan Citra Digital ....................................................................
Pengenalan Pola ...................................................................................
Jaringan Syaraf Tiruan ........................................................................

5
6
7
16
25
27

METODE PENELITIAN
Waktu dan Tempat...............................................................................
Bahan dan Alat ....................................................................................
Tahapan Penelitian ..............................................................................
Pengembangan Sub Sistem Pengukuran Mutu Kopi Beras dengan
Teknik Pengolahan Citra .....................................................................
Pengembangan Sub Sistem Kecerdasan Buatan dengan Jaringan
Syaraf Tiruan .......................................................................................
Pengembangan Sub Sistem Alat Sortasi Biji Kopi Beras....................
HASIL DAN PEMBAHASAN
Deskripsi Sampel Kopi Beras ..............................................................
Deskripsi Alat ......................................................................................
Perangkat Lunak Pengolahan Citra .....................................................
Sifat Kelas Mutu berdasarkan Hasil Ekstraksi Citra ...........................
Pendugaan Kelas Mutu Kopi Beras dengan Jaringan Syaraf Tiruan
dengan Input Terpisah .........................................................................
Analisa Jaringan Syaraf Tiruan dengan Input Penggabungan Kamera
Bawah dan Kamera Atas .....................................................................

41
41
42
42
51
57
61
64
71
81
91
99

SIMPULAN DAN SARAN ..........................................................................

107

DAFTAR PUSTAKA ....................................................................................

109

LAMPIRAN ...................................................................................................

113

xii

DAFTAR TABEL
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

Nilai cacat berdasarkan klasifikasi SCAA ............................................
Penentuan besarnya nilai cacat biji kopi ...............................................
Syarat mutu umum SNI .........................................................................
Syarat mutu khusus SNI ........................................................................
Parameter mutu biji kopi dan parameter pengolahan citra ....................
Struktur JST...........................................................................................
Definisi target neuron lapisan output ...................................................
Confusion matrix (NRCan 2012) ..........................................................
Ukuran statistik dimensi biji kelas mutu A, B, dan C ...........................
Parameter pengaturan kamera ...............................................................
Penentuan diameter puli ........................................................................
Penentuan RPM motor ..........................................................................
Ukuran statistik parameter mutu area....................................................
Ukuran statistik parameter mutu tinggi .................................................
Ukuran statistik parameter mutu lebar ..................................................
Ukuran statistik parameter mutu perimeter ...........................................
Ukuran statistik parameter mutu area cacat ..........................................
Ukuran statistik parameter mutu indeks warna merah ..........................
Ukuran statistik parameter mutu indeks warna hijau ............................
Akurasi prediksi variasi JST ................................................................
Confusion matrix untuk kamera atas ....................................................
Confusion matrix untuk kamera bawah ................................................
Hasil pencacahan kamera atas dan bawah kaidah ketiga ......................
Confusion matrix pencacahan kaidah ketiga ........................................
Akurasi prediksi variasi JST input penggabungan kamera bawah dan
kamera atas ............................................................................................
Confusion matrix prediksi JST dengan input penggabungan kamera
bawah dan kamera atas ..........................................................................

xiii

10
10
11
11
45
55
55
56
64
66
70
71
82
83
85
86
87
89
90
93
95
95
97
98
103
104

DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

21
22
23
24
25
26
27
28
29
30
31
32
33

Mesin sortasi bijian tipe sabuk ..............................................................
Mesin sortasi bijian tipe luncur .............................................................
Proses kegiatan pengenalan pola (Belanche &Nebot 2002) ................
Proses kegiatan pengenalan pola (Shih 2010) ......................................
Skema fisiologis neuron ........................................................................
Skema neuron untuk JST.......................................................................
Diagram threshold logic unit (Mc Culloch &Pitts1943) .......................
JST multilayer .......................................................................................
Diagram alir penelitian ..........................................................................
Diagram alir prosedur penggolongan kelas mutu kopi beras secara
manual ...................................................................................................
Citra biner, citra perimeter, dan citra area cacat ...................................
Citra asli (a) dan citra biner hasil binerisasi (b) ....................................
Citra biner (a) dan citra biner salah satu label (b) .................................
Citra biner (a) dan citra hasil perimeter salah satu label (b) .................
Citra area cacat (a) dan citra area cacat untuk perhitungan indeks
warna merah dan indeks warna hijau (b) ..............................................
Boxplot (Supratomo 2006) ....................................................................
Arsitektur jaringan syaraf tiruan yang dikembangkan ..........................
Skema kerangka dan konveyor sabuk ...................................................
Biji kopi beras pada kelas mutu A ( a ), B ( b ), dan C ( c ) ..................
Biji kopi beras pada kelas mutu RJ: buah kering (a), kulit (b), hitam
(c), biji berkulit tanduk - floater (d), cacat bentuk – malformed (e),
biji kecil (f), biji pecah (g), gigitan serangga (h), hitam sebagian (i),
dan biji hijau (j) ....................................................................................
Alat seleksi ukuran dengan lubang bulat untuk kopi beras ...................
Perangkat pencahayaan dengan sumber cahaya LED ...........................
Skema pemeriksaan mutu kopi menggunakan pengolahan citra ..........
Rancangan koveyor sabuk sistem sortasi biji kopi ...............................
Dimensi rancangan konveyor sabuk sistem sortasi biji kopi ................
Citra grey level dari nilai value .............................................................
Grafik penentuan nilai batas segmentasi berdasarkan nilai value
untuk kamera atas ..................................................................................
Citra cincin hasil binerisasi (a) dan citra hasil akhirnya (b) .................
Citra cincin hasil binerisasi erosi satu tahap (a) dan citra hasil
akhirnya (b) ..........................................................................................
Citra cincin hasil binerisasi erosi tiga tahap (a) dan citra hasil
akhirnya(b) ...........................................................................................
Citra cincin hasil binerisasi erosi tiga tahap dan dilasi satu tahap (a)
dan citra hasilnya (b) ............................................................................
Citra perimeter ......................................................................................
Sebaran nilai R (a); G (b); dan B (c) untuk pembentuk cacat dan biji
citra kamera atas ...................................................................................
xiv

12
15
26
26
29
30
30
32
42
44
46
47
47
48
48
50
54
60
61

62
63
67
68
68
69
73
74
75
76
76
77
78
79

34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

Area cacat dari biji kopi beras yang dihasilkan dari program pengolah
citra .......................................................................................................
File teks hasil program pengolahan citra...............................................
Boxplot parameter mutu area kopi beras pada empat kelas mutu hasil
kamera atas (a) dan kamera bawah (b) .................................................
Boxplot parameter mutu tinggi kopi beras pada empat kelas mutu
hasil kamera atas (a) dan kamera bawah (b) ........................................
Boxplot parameter mutu lebar kopi beras pada empat kelas mutu hasil
kamera atas (a) dan kamera bawah (b) .................................................
Boxplot parameter mutu perimeter kopi beras pada empat kelas mutu
hasil kamera atas (a) dan kamera bawah (b) ........................................
Boxplot parameter mutu area cacat kopi beras pada empat kelas mutu
hasil kamera atas (a) dan kamera bawah (b) ........................................
Boxplot parameter mutu indeks warna merah kopi beras pada empat
kelas mutu hasil kamera atas (a) dan kamera bawah (b) ......................
Boxplot parameter mutu indeks warna hijau kopi beras pada empat
kelas mutu hasil kamera atas (a) dan kamera bawah (b) ......................
Kurva kinerja JST (a) analisa kamera atas (b) analisa kamera bawah .
Boxplot parameter mutu area (a) dan tinggi (b) kopi beras pada
analisa JST dengan input penggabungan kamera bawah dan kamera
atas.........................................................................................................
Boxplot parameter mutu lebar (a) dan perimeter (b) kopi beras pada
analisa JST dengan input penggabungan kamera bawah dan kamera
atas.........................................................................................................
Boxplot parameter mutu area cacat kopi beras pada analisa JST
dengan input penggabungan kamera bawah dan kamera atas ...............
Boxplot parameter mutu indeks warna merah (a) dan indeks warna
hijau (b) kopi beras pada analisa JST dengan input penggabungan
kamera bawah dan kamera atas .............................................................
Kurva kinerja JST dengan input penggabungan kamera bawah dan
kamera atas ............................................................................................

xv

80
81
82
84
85
87
88
89
90
94
100
101
101
102
104

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
7
8
9
10
11

Prosedur perhitungan dimensi belt ........................................................
Dimensi alat sortasi kopi beras ..............................................................
Foto alat sortasi kopi beras ....................................................................
Citra hasil binerisasi dan opening .........................................................
Gambar pola sebaran parameter mutu kopi beras pada empat kelas
mutu hasil kamera atas .........................................................................
Gambar pola sebaran parameter mutu kopi beras pada empat kelas
mutu hasil kamera bawah .....................................................................
Bobot-bobot jst kamera atas .................................................................
Bobot-bobot jst kamera bawah .............................................................
Hasil pencacahan kelas mutu kopi beras ...............................................
Ukuran statistik analisa parameter mutu dengan input
penggabungan kamera bawah dan kamera atas .....................................
Bobot-bobot jst dengan input penggabungan kamera bawah dan
kamera atas ............................................................................................

xvi

115
118
119
120
121
124
127
128
129
131
133

Notasi
A
B
C
RJ
r
g
b
V
xi
vij
zj
wjk
yk
σ
tk
α
μ
b

kopi beras kelas mutu A (tanpa dimensi)
kopi beras kelas mutu B (tanpa dimensi)
kopi beras kelas mutu C (tanpa dimensi)
kopi beras kelas mutu reject (tanpa dimensi)
indeks warna merah (tanpa dimensi)
indeks warna hijau (tanpa dimensi)
indeks warna biru (tanpa dimensi)
value dalam model warna HSV (tanpa dimensi)
masukan
nilai pembobot antara lapisan i dan lapisan j (lapisan masukan dan lapisan
tersembunyi)
keluaran pada simpul j (pada lapisan tersembunyi)
nilai pembobot antara lapisan j dan lapisan k (lapisan tersembunyi dan
lapisan keluaran)
keluaran dari simpul k (lapisan keluaran)
konstanta persamaan sigmoid (tanpa dimensi)
keluaran sebenarnya (target)
konstanta learning rate (tanpa dimensi)
konstanta momentum (tanpa dimensi)
bias

xvii

PENDAHULUAN
Latar Belakang
Kopi adalah bijian yang dipersiapkan dengan cara disangrai dan
dihancurkan sebagai bubuk, kemudian diseduh sebagai sejenis minuman yang
biasanya dihidangkan panas (Chandrasekar & Viswanathan 1999). Saat ini kopi
merupakan komoditas nomor dua yang paling banyak diperdagangkan setelah
minyak bumi. Total 5.17 juta ton kopi diekspor pada tahun 2003 dan terus
meningkat hingga pada tahun 2006 menjadi 5.49 juta ton. Dari tahun 2007 hingga
tahun 2011 tercatat ekspor kopi mengalami peningkatan berturut-turut sebesar
5.76 juta ton (2007), 5.84 juta ton (2008), 5.76 juta ton (2009), 5.81 juta ton
(2010), dan 6.22 juta ton (2011) (ICO 2012).
Indonesia merupakan salah satu negara penghasil dan pengekspor kopi
utama ke tiga di dunia setelah Brazil dan Vietnam. Volume ekspor dari tahun ke
tahun cenderung mengalami peningkatan walaupun terjadi fluktuasi akibat tidak
stabilnya harga pasar kopi dunia. Pada tahun 2003 ekspor kopi Indonesia 287.68
ribu ton, terjadi puncak ekspor kopi indonesia pada tahun 2005 sebesar 404.65
ribu ton, kemudian menurun pada tahun 2006, 2007, dan 2008 sebesar 316.83,
248.97, dan 344.44 ribu ton. Ekspor kopi Indonesia meningkat pada pada tahun
2009 menjadi 474.44 ribu ton, menurun pada tahun 2010 sebesar 329.35 ribu ton
dan meningkat lagi pada tahun 2011 menjadi 375.87 ribu ton. Harga jenis kopi
robusta di pasar US$. 2,271.80/ton dan jenis arabika US$. 4,039.00/ton pada
bulan Maret 2012 (ICO 2012). Biji kopi yang sudah siap diperdagangkan di pasar
internasional adalah berupa biji kopi kering yang sudah terlepas dari daging buah,
kulit tanduk dan kulit arinya, butiran biji kopi yang demikian ini disebut kopi
beras (coffee beans) atau green coffee atau market coffee (Clarke & Macrae 1987).
Dengan tingkat harga di atas komoditi kopi sangat prospektif sebagai salah
satu motor pembangunan agribisnis dan agroindustri Indonesia, asalkan ditangani
secara baik dan profesional. Pemantauan dan peningkatan mutu kopi yang
diperdagangkan, terutama untuk pasar ekspor ke luar negeri merupakan suatu
syarat penting dalam penanganan produk kopi.

2
Pemutuan kopi sebagai komoditas bijian secara mekanik (artificial) di
Indonesia saat ini masih terbatas pada pemutuan berdasarkan ukuran dan densitas.
Beberapa alat sortasi secara visual menggunakan pengolahan citra telah
dikembangkan di Indonesia seperti untuk jeruk, manggis, dan mangga telah dapat
menyeleksi berdasarkan ukuran dan warna dengan optimal. Sedangkan alat sortasi
secara visual untuk bijian masih belum dikembangkan di Indonesia. Pengolahan
citra menggunakan sistem visual berdasarkan sensor elektro-optika mempunyai
kemampuan yang lebih peka, tepat, dan obyektif daripada kemampuan visual
manusia (Ahmad 2005).
Metode pemutuan kopi Specialty Coffee Association of America (SCAA)
menyatakan bahwa terdapat 11 macam cacat yang dimiliki oleh kopi. Untuk
memisahkan kopi dengan mutu baik dari 11 macam cacat tersebut memerlukan
algoritma pengolahan yang baik dan akurat (www.coffeeresearch.org 2012).
Pengenalan pola (pattern recognition) adalah proses mengenali suatu obyek
secara independent ataupun berdasarkan kemiripan dengan data-data yang telah
ada sebelumnya. Prinsip kerja pengenalan pola adalah meniru kemampuan
manusia mengenali obyek-obyek berdasarkan ciri-ciri dan pengetahuan yang
pernah diamati dari obyek-obyek tersebut, dengan cara mengklasifikasikan obyek
ke dalam kategori/kelas tertentu berdasarkan beberapa parameter yang telah
disimpan dan ditentukan sebelumnya (Belanche & Nebot 2002).
Jaringan syaraf tiruan (artificial neural network) adalah salah satu metode
pengenalan pola, merupakan sebuah struktur komputasi yang dikembangkan dari
jaringan syaraf biologi dalam otak. Keuntungan dari metode jaringan syaraf tiruan
(JST) adalah dapat membangun fungsi non linier dan hanya memerlukan data
masukan dan keluaran tanpa perlu mengetahui dengan jelas proses yang terjadi
dalam jaringan. Salah satu kegunaan dari JST adalah klasifikasi patern, yaitu
mengklasifikasikan pasangan input dan output (Suroso 2003). Introduksi jaringan
syaraf tiruan merupakan salah satu solusi dalam proses pemutuan kopi.
Perumusan Masalah
Tidak terjaminnya mutu (yang cacat bercampur dengan yang baik) dan
kurang seragamnya tingkat kematangan akan menimbulkan masalah yang serius

3
dalam hal ekspor, karena akan menghilangkan kepercayaan mitra dagang di luar
negeri. Oleh karena itu diperlukan suatu sistem pemutuan biji kopi berdasarkan
pemeriksaan secara visual. Untuk mencapai sasaran tersebut, diperlukan
penelitian dan pengembangan teknik pemeriksaan mutu kopi secara visual
berbasis pengolahan citra dan JST sehingga dapat memprediksi mutu kopi secara
akurat, cepat dan efisien berdasarkan teknik pengenalan pola.
Berdasarkan penanganan bijian ada dua tipe yang dilakukan, yaitu tipe
konveyor sabuk (belt) dan tipe meluncur (chute). Tipe sabuk memiliki
keterbatasan hanya dapat memeriksa obyek pada satu sisi saja, dan memiliki
keunggulan yaitu memungkinkan pemisahan mutu lebih dari dua kategori.
Sedangkan tipe luncur hanya dapat memisahkan mutu dalam dua kategori saja
(accept dan reject) dan memiliki keunggulan yaitu dapat memeriksa dua sisi
permukaan obyek. Karena konstruksinya memungkinkan untuk penempatan
kamera yang berseberangan.
Penelitian

ini

berusaha

untuk

menggabungkan

keunggulan

dan

meminimalisir kekurangan yang dimiliki oleh dua metode tersebut (belt dan
chute), dan dilakukan secara real time, serta dengan obyek majemuk (jumlah
obyek lebih dari satu). Penanganan kopi beras menggunakan konveyor tipe sabuk
berlubang dengan konfigurasi matriks, dan pengambilan citra menggunakan dua
kamera yang diletakkan secara berseberangan.
Harapan dari penelitian ini adalah sistem pemutuan dengan tipe konveyor
sabuk ini mampu memeriksa seluruh permukaan kopi beras, sehingga menjamin
pemutuan yang lebih akurat, selain itu juga diharapkan mampu mengidentifikasi
kopi beras dalam empat kelas mutu. Kombinasi dua hal inilah yang diajukan
sebagai novelty dalam penelitian ini.
Tujuan Penelitian
Tujuan dari penelitian ini adalah mengembangkan sistem pemutuan biji
kopi beras berbasis pengolahan citra dan JST yang dapat mengidentifikasi kelas
mutu kopi beras ke menjadi empat kelas mutu mengacu pada standar SCAA untuk
alat sortasi tipe konveyor sabuk yang menggunakan dua buah kamera dan menguji

4
akurasi pemutuan berdasarkan parameter mutu secara visual dari dua sisi biji kopi
beras.
Manfaat Penelitian
Penelitian sistem pemutuan yang mampu mendeteksi mutu biji kopi beras
secara visual dapat digunakan untuk mengembangankan alat sortasi tipe konveyor
sabuk menggunakan dua kamera. Sistem pengukuran yang memiliki sifat tepat
dan obyektif ini dapat meningkatkan efisiensi penanganan pascapanen kopi dalam
usaha meningkatkan volume dan nilai ekspor komoditas pertanian. Sasaran
pengguna hasil riset ini adalah pedagang besar, eksportir, industri pembuatan alat
dan mesin pertanian, dan koperasi yang bergerak di bidang perdagangan kopi.
Kebaruan Penelitian
Kebaruan dari penelitian ini adalah sebagai berikut ini.
1

Sistem pemutuan biji kopi beras tipe konveyor sabuk yang dapat
mengidentifikasi mutu biji kopi beras menjadi empat kelas mutu berdasarkan
parameter mutu secara visual belum pernah dilakukan.

2

Sistem pemutuan biji kopi beras tipe konveyor sabuk menggunakan dua buah
kamera untuk menangkap citra biji kopi beras dari dua sisi yang
berseberangan

sebagai

upaya

untuk

penangkapan citra belum pernah dilakukan.

menghilangkan

sifat

asimetri

TINJAUAN PUSTAKA
Kopi
Biji kopi terdapat di dalam buah kopi yang dipanen dari tanaman genus
Coffea, yang banyak ditanam di Amerika Latin, Asia Tenggara dan Afrika. Ada
dua spesies kopi yang umum tumbuh di dunia yaitu Coffea canephora (kopi
robusta) dan Coffea arabica. Kopi dinikmati dalam bentuk seduhan kopi yang
merupakan salah satu jenis minuman perangsang yang dikonsumsi secara luas di
seluruh dunia. Sebagai bahan seduhan adalah bubuk kopi yang disiapkan dari biji
kopi yang dihancurkan setelah disangrai. Kopi arabika dianggap lebih nikmat
daripada kopi robusta, karena kopi robusta cenderung berasa lebih pahit dan
kurang beraroma jika dibandingkan dengan kopi arabika (Chandrasekar &
Viswanathan 1999).
Biji kopi robusta dan arabika dapat dibedakan dengan nyata secara
makroskopis. Panjang biji kopi arabika sekitar 8 - 12 mm dan lebar 6 - 8 mm,
rasio panjang dan lebar berkisar 1.3 - 1.5. Sedangkan kopi robusta mempunyai
panjang 6 - 8 mm dan lebar 6 - 7 mm dengan rasio 1.0 - 1.15. Buah kopi
mempunyai kisaran berat antara 100 mg sampai lebih dari 200 mg dan densitas
antara 1.15 – 1.42 gr/cm3 (Asiedue 1989).
Biji kopi yang sudah siap diperdagangkan adalah berupa biji kopi kering
yang sudah terlepas dari daging buah, kulit tanduk dan kulit arinya, butiran biji
kopi yang demikian ini disebut kopi beras (coffee beans) atau green coffee atau
market coffee (Clarke & Macrae 1987). Berdasarkan hasil survey hampir 70%
produksi kopi Indonesia dipasarkan ke luar negeri dan hanya sekitar 30% yang
digunakan untuk konsumsi domestik. Hampir seluruh kopi ekspor Indonesia
adalah dalam bentuk kopi beras (green coffee). Sekitar 85% kopi Indonesia adalah
jenis robusta dan di pasar internasional Indonesia dikenal sebagai produsen kopi
robusta, sedangkan kopi arabika yang mempunyai nilai lebih tinggi dipasarkan
sebagai Indonesian Specialty Coffee (Herman 2003).
Kopi spesialti di beberapa daerah memiliki keunggulan karena penurunan
harganya tidak setajam kopi robusta. Indonesia memiliki cukup banyak kopi
spesialti yang sudah punya nama di pasar internasional seperti Java Coffee, Gayo
Mountain Coffee, Mandheling Coffee, dan Toraja/Kalosi Coffee. Disamping itu

6
masih banyak yang berpotensi sebagai kopi spesialti seperti: Bali Coffee, Aceh
Highland Coffee, Flores Coffee dan Balliem Haighland Coffee (Herman 2003).
Kopi spesialti asal Indonesia makin populer mulai akhir tahun 1980-an
terutama di kalangan masyarakat Amerika Serikat dan Eropa Barat. Pada tahun
1997, Indonesia menjadi pemasok kopi spesialti terbesar ketiga setelah Kolombia
dan Meksiko dengan pangsa 10% dari total impor kopi spesialti Amerika Serikat
yang besarnya mencapai 75 ribu ton. Pasar kopi spesialti dunia diperkirakan akan
terus meningkat dengan laju 4.5% / tahun (Herman 2003).
Peralatan Pemutuan Kopi
Tujuan grading (pemutuan) adalah menggolongkan kelas mutu dari suatu
produk menjadi beberapa kelas. Perbedaan yang muncul dari suatu jenis produk
disebabkan karena faktor genetik, lingkungan, dan teknik budidaya. Keseragaman
produk merupakan tujuan dari grading, sehingga dari satu kelas mutu yang
seragam dapat ditentukan nilai dari kelas mutu tersebut dibandingkan dengan
kelas mutu yang lain. Hal ini pulalah yang mendasari bahwa teknik grading akan
memberikan acuan antara produsen dan konsumen terhadap harga suatu produk.
Variabel yang digunakan untuk menentukan mutu produk antara lain ukuran,
bobot, warna, bentuk, kemasakan, kebebasan dari hama penyakit, dan kebebasan
dari benda-benda asing. Cara pengklasifikasian suatu produk adalah berdasarkan
persyaratan minimal dari masing-masing kelas yang telah ditentukan oleh suatu
panitia (Pantastico 1993).
Penyortiran adalah pemilahan biji kopi yang baik dari yang rusak, cacat, dan
benda asing lainnya. Sortasi kopi bertujuan untuk mengelompokkan biji kopi
sesuai dengan ukuran dan mutu fisiknya. Tahap ini sangat menentukan jenis dan
keseragaman mutu fisik dan citarasa seduhan kopi. Sejumlah besar biji kopi mutu
baik dapat rusak citarasa seduhannya oleh tercampurnya sedikit saja biji kopi
mutu rendah (Pascapanen BUN 2011).
Tahapan pertama proses sortasi kopi adalah pemisahan biji kopi berdasarkan
densitasnya. Tujuan pemisahan ini adalah memisahkan biji kopi yang belum
matang, kosong, pecah, serta kotoran berukuran kecil. Proses ini memanfaatkan

7
prinsip pneumatik dan gravitasi, mesin ini dikenal dengan nama catador
(www.coffeeresearch.org 2012).
Walaupun biji kopi memiliki ukuran yang hampir seragam, biji kopi tetap
dipisahkan berdasar ukuran. Banyak negara memisahkan biji kopi berdasarkan
ukuran menggunakan saringan atau screen dengan ukuran yang spesifik. Teori
yang mendasari ukuran kopi sebagai tolak ukur mutu adalah: semakin tinggi
tempat tumbuh kopi, maka ukuran kopi cenderung semakin besar. Kopi dengan
ukuran besar memiliki profil cita rasa yang lebih baik. Ukuran screen bervariasi
tergantung dari daerah tumbuhnya, ukuran tersebut adalah 20, 19.5, 19, 18.5, 18,
17, 16, 15, 14, 13, 12, 11, 10, 9, dan 8. Ukuran 20 berarti 20/64 inchi, ukuran 19.5
berarti 19.5/64 inchi, ukuran 19 berarti 19/64 inchi, dan seterusnya
(www.coffeeresearch.org 2012). Pembagi 64 mempermudah konversi ukuran
screen dalam satuan inchi menjadi ukuran dalam satuan milimeter standar
internasional. Ukuran screen 20 sama dengan ukuran 8 mm, ukuran screen 19.5
sama dengan ukuran 7.75 mm, ukuran screen 19 sama dengan ukuran 7.5 mm,
dan seterusnya. Selain ukuran screen dengan standar British dikembangkan pula
ukuran screen dengan standar internasional (SI) yaitu: ukuran besar untuk biji
kopi yang tidak lolos screen 7.5 mm, ukuran sedang untuk biji kopi yang tidak
lolos screen 6.5 mm, dan ukuran kecil untuk biji kopi yang tidak lolos screen 5.5
mm (SNI 01-3188-1992). Ini adalah seleksi ukuran yang merupakan tahap kedua.
Proses berikutnya adalah sortasi secara visual yang bertujuan memisahkan
bijian yang mengalami fermentasi berlebih, biji berkulit, biji hitam, gigitan
serangga, dan kerusakan yang lainnya. Proses ini memisahkan biji secara visual
dengan peralatan elektronik (sortex) ataupun menggunakan sortasi tangan dengan
biji kopi yang berjalan pada konveyor (Hick 2001).
Selain mesin di atas, Pusat Penelitian Kopi dan Kakao Indonesia (ICCRI) di
Jember telah merekayasa mesin sortasi yang menggunakan rancangan meja getar
agar mudah diadopsi oleh perkebunan besar maupun perkebunan rakyat
(Widyotomo & Mulato 2005).
Standar Mutu Kopi
Tiap negara memiliki pemutuan kopi yang berbeda-beda. Pemutuan kopi
yang memenuhi standar kualitas ekspor yang diakui oleh dunia adalah pemutuan

8
berdasar SCAA (Specialty Coffee Association of America) yang sangat baik untuk
pemutuan kopi spesialti dan metode klasifikasi green coffee Brazil/New York.
Sedangkan standar mutu kopi di Indonesia diatur dalam standar nasional
Indonesia biji kopi [SNI] no: 01-2907-2008.
Terdapat berbagai standar mutu kopi yang digunakan di pasar ekspor.
Standar tersebut antara lain adalah sebagai berikut ini.
1 SCAA (Specialty Coffee Association of America)
2 Metode klasifikasi green coffee Brazil/New York
3 Standar Nasional Indonesia biji kopi [SNI] no: 01-2907-2008
Standar di atas merupakan standar pemutuan kopi berdasarkan kecacatan pada biji
kopi (defect system).
Terdapat lima kelas mutu pada metode klasifikasi SCAA yaitu: (1) Specialty
Grade Green Coffee; (2) Premium Coffee Grade; (3) Exchange Coffee Grade; (4)
Below Standard Coffee Grade; dan (5) Off Grade Coffee, berikut ini adalah
penjelasannya.
Tiga ratus gram kopi beras yang telah dihilangkan kulit ari dan kulit
tanduknya harus sudah disortasi menggunakan screen dengan ukuran 14, 15, 16,
17, dan 18. Kopi beras yang tidak lolos masing-masing screen diukur beratnya
dan dicatat proporsi terhadap berat total (dalam persen). Untuk pemeriksaan kopi
beras dengan kualitas tinggi dengan sedikit cacat, maka digunakan berat 300
gram. Jika contoh kopi beras merupakan kopi dengan kualitas rendah dengan nilai
cacat yang besar, maka berat 100 gram sudah cukup memenuhi syarat klasifikasi
yang benar untuk kelas below standard grade atau off grade. Selanjutnya kopi
harus

disangrai

dan

dilakukan

evaluasi

karakteristik

cangkir

(www.coffeeresearch.org 2012).
1 Specialty Grade Green Coffee;
Nilai cacat penuhnya tidak lebih dari 5 setiap 300 gramnya. Tidak
diperbolehkan ada cacat primer. Teloransi maksimal ukuran biji hanya
terdapat 5% di atas atau di bawah ukuran screen. Harus memiliki minimal
satu sifat khusus pada tubuh, rasa, aroma, atau keasaman. Harus bebas dari
sifat yang buruk dan noda. Tidak diperbolehkan ada quakers. Kadar air di
antara 9-13%.

9
2

Premium Coffee Grade;
Nilai cacat penuhnya tidak lebih dari 8 setiap 300 gramnya. Diperbolehkan
ada cacat primer. Teloransi maksimal ukuran biji hanya terdapat 5% di atas
atau di bawah ukuran screen. Harus memiliki minimal satu sifat khusus pada
tubuh, rasa, aroma, atau keasaman. Harus bebas dari sifat yang buruk dan
diperbolehkan ada 3 quakers. Kadar air di antara 9-13%.

3

Exchange Coffee Grade;
Nilai cacat penuhnya tidak lebih dari 9-23 setiap 300 gramnya. Teloransi
maksimal ukuran biji harus terdapat 50% di atas ukuran screen 6 mm (15/64
ukuran inchi). Harus memiliki minimal satu sifat khusus pada tubuh, rasa,
aroma, atau keasaman. Harus bebas dari sifat yang buruk dan diperbolehkan
ada 5 biji quakers. Kadar air di antara 9-13%.

4

Below Standard Coffee Grade;
24-86 nilai cacat setiap 300 gram.

5

Off Grade Coffee.
Lebih dari 86 nilai cacat setiap 300 gram.
Menurut SCAA, sepuluh kategori cacat (defect) pada biji kopi ditambah

dengan kotoran menjadi dasar pemutuan kopi. Cacat tersebut antara lain hitam
(black), biji bau (stinkers), biji ringan (floaters), buah kering (dried cherries),
pecah (broken), biji kosong (shells), kerusakan karena serangga (insect damage),
bentuk tak beraturan (malformed), setengah hitam (half black), dan warna hijau
(green). Sedangkan kotoran terdiri atas ranting dan batu. Masing-masing cacat
dan kotoran memiliki nilai tertentu. Penentuan kelas mutu kopi pada berbagai
metode pemutuan didasarkan atas nilai tersebut dikombinasikan dengan tingkat
keseragaman ukuran biji tiap berat 300 gram (www.coffeeresearch.org 2012).
Pada metode klasifikasi SCAA, penentuan kualitas biji kopi didasarkan atas
jumlah total cacat yang dimiliki oleh 300 gram biji kopi. Dalam 300 gram tersebut
setiap biji diidentifikasi dan dikoleksi nilai cacatnya berdasarkan Tabel 1.
Kemudian jika keseluruhan biji sudah diidentifikasi maka dijumlahkan
keseluruhan nilai cacat. Kemudian ditentukan mutunya berdasarkan penjelasan di
atas (www.coffeeresearch.org 2012).
Tabel 1 berikut ini menunjukkan nilai cacat berdasarkan klasifikasi SCAA.

10
Tabel 1 Nilai cacat berdasarkan klasifikasi SCAA
Cacat Primer

Hitam penuh

Jumlah kenampakan
yang setara dengan
satu cacat penuh
1

Coklat penuh

1

Kulit/buah
Batu besar
Batu sedang
Ranting besar
Ranting sedang

1
2
5
2
5

Cacat Primer

Cacat Sekunder

Cacat Sekunder
Kulit
Kulit
tanduk/sekam
Pecah
Serangga
Hitam sebagian
Coklat sebagian
Biji ringan
Biji kosong
Batu kecil
Ranting kecil
Kerusakan air

Jumlah kenampakan
yang setara dengan
satu cacat penuh
2-3
2-3
5
2-5
2-3
2-3
5
5
1
1
2-5

Sedangkan standar mutu berdasarkan Standar Nasional Indonesia [SNI] biji
kopi no: 01-2907-2008 ditampilkan pada Tabel 2, Tabel 3, dan Tabel 4.
Tabel 2 Penentuan besarnya nilai cacat biji kopi
No Jenis cacat

Nilai cacat

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

1 (satu)
½ (setengah)
½ (setengah)
1 (satu)
¼ (seperempat)
1 (satu)
½ (setengah)
1/5 (seperlima)
½ (setengah)
½ (setengah)
1/5 (seperlima)
1/10 (sepersepuluh)
1/5 (seperlima)
1/5 (seperlima)
1/10 (sepersepuluh)
1/5 (seperlima)
1/10 (sepersepuluh)
5 (lima)
2 (dua)
1 (satu)

1 biji hitam
1 biji hitam sebagian
1 biji hitam pecah
1 kopi gelondong
1 biji coklat
1 kulit kopi ukuran besar
1 kulit kopi ukuran sedang
1 kulit kopi ukuran kecil
1 biji berkulit tanduk
1 kulit tanduk ukuran besar
1 kulit tanduk ukuran sedang
1 kulit tanduk ukuran kecil
1 biji pecah
1 biji muda
1 biji berlubang satu
1 biji berlubang lebih dari satu
1 biji bertutul-tutul
1 ranting, tanah, atau batu berukuran besar
1 ranting, tanah, atau batu berukuran sedang
1 ranting, tanah, atau batu berukuran kecil

Sama seperti metode klasifikasi SCAA, penentuan kualitas biji kopi sistem
SNI didasarkan atas jumlah total cacat yang dimiliki oleh 300 gram biji kopi.
Dalam 300 gram setiap biji diidentifikasi dan dikoleksi nilai cacatnya berdasarkan
Tabel 2. Jika keseluruhan biji sudah diidentifikasi maka dijumlahkan keseluruhan

11
nilai cacat, kemudian ditentukan mutu umum dan khususnya berdasarkan Tabel 3
dan Tabel 4.
Tabel 3 Syarat mutu umum SNI
No Kriteria
1
2
3
4

Serangga hidup
Biji berbau busuk atau berbau kapang
Kadar air
Kadar kotoran

Satuan

Persyaratan

% fraksi masa
% fraksi masa

Tidak ada
Tidak ada
Maks 12.5
Maks 0.5

Tabel 4 Syarat mutu khusus SNI
Mutu
Persyaratan
Mutu 1
Mutu 2
Mutu 3
Mutu 4a
Mutu 4b
Mutu 5
Mutu 6

Jumlah nilai cacat maksimum 11
Jumlah nilai cacat 12 sampai dengan 25
Jumlah nilai cacat 26 sampai dengan 44
Jumlah nilai cacat 45 sampai dengan 60
Jumlah nilai cacat 61 sampai dengan 80
Jumlah nilai cacat 81 sampai dengan 150
Jumlah nilai cacat 151 sampai dengan 225

Review Terhadap Pemutuan dan Mesin Sortasi Bijian
Zayas & Flinn (1998) menggunakan teknik citra digital untuk mengidentifikasi
serangga (Rhyzopertha dominica) dan kotoran pada hamparan sampel gandum.
Analisa multispectral (red, green, blue) dikombinasikan dengan teknik
pengenalan pola yang digunakan pada penelitian ini berhasil mengidentifikasi
serangga, kotoran, dan gandum yang cacat dengan keberhasilan di atas 90%.
Shatadal & Tan (1998) menggunakan pengolahan citra untuk klasifikasi benih
kedelai. Sifat warna red, green, blue digunakan sebagai input JST untuk
mengklasifikasikan sampel benih kedelai dalam 4 kriteria yaitu benih baik, cacat
karena panas, cacat berwarna hijau, dan cacat karena busuk dan gigitan serangga.
99.6% benih baik dapat diidentifikasi dengan