%A 1415061039 WAHYU AJI PULUNGAN
%T IDENTIFIKASI KEMATANGAN BUAH KOPI MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
%X Buah kopi yang memiliki kualitas yang baik merupakan buah kopi yang berwarna 
merah, namun petani secara umum masih menggunakan cara panen yang 
konvensional sehingga buah yang dipanen masih banyak yang berwarna hijau atau 
kuning. Penelitian ini menggunakan Jaringan Syaraf Tiruan (JST) metode Learning 
Vector Quantization (LVQ) untuk mempelajari pola dan mengidentifikasi 
kematangan buah kopi dengan memanfaatkan fitur warna pada buah kopi. Data 
input menggunakan akuisisi sekumpulan buah kopi dengan berbagai tingkat 
kematangan yang kemudian dilakukan ekstraksi ciri warna RGB untuk diambil nilai 
rata-rata. Data yang digunakan memiliki ukuran 1300 x 1000 piksel berformat .jpg 
untuk pelatihan JST. Berdasarkan hal tersebut, dilakukan pengujian jumlah citra 
pelatihan dengan membandingkan antara 10, 12, 16, dan 20 buah citra pelatihan 
untuk menentukan jumlah input terbaik. Kemudian dilakukan juga pengujian 
confusion matrix untuk menguji tingkat keandalan dan error dari sistem yang 
dibuat, serta pengujian black box terhadap GUI yang dibuat. Pengujian dilakukan 
menggunakan GUI yang berjalan dengan baik, berdasarkan hasil pengujian jumlah 
citra terbaik untuk pelatihan adalah 16 buah dengan akurasi sebesar 100% tanpa 
error pada setiap pengujian yang dilakukan.
Kata kunci : kopi, JST, LVQ, confusion matrix, GUI


Good quality coffee fruit is the red one, but farmers in general still use conventional 
harvesting methods so there are still many harvested fruits which are green or 
yellow. To remove these undesired fruits, this study used the Learning Vector 
Quantization (LVQ) Neural Network (ANN) method to learn patterns and identify 
the maturity of coffee fruits by utilizing the color feature of coffee fruit. The input 
data uses the image acquisition of a collection of coffee fruits with various levels 
of maturity, then an RGB color feature extraction is carried out to take the average 
value. Each input image has a size of 1300 x 1000 pixels, formatted in jpg. To 
determine the best number of inputs, training of 10, 12, 16 and 20 images were 
carried out and compared. Then a confusion matrix test is also carried out to test 
the level of reliability and errors of the system. Furthermore, testing the GUI 
application was also carried out. Based on the testing results, the best configuration 
is the one with the number of the images for training is 16 pieces, with an accuracy 
of 100% without errors in each test performed.
Keywords :coffee, ANN, LVQ, confusion matrix, GU
%C UNIVERSITAS LAMPUNG
%D 2019
%I FAKULTAS TEKNIK
%L eprints56224