KLASIFIKASI TINGKAT KEMATANGAN BUAH MARKISA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS PENGOLAHAN CITRA DIGITAL
Keywords:
Jaringan Syaraf Tiruan, Klasifikasi, Pengolahan Citra Digital, MarkisaAbstract
Masyarakat pada umumnya memanen buah markisa apabila diprediksi sudah matang. Kemudian buah yang telah dipanen dikelompokkan berdasarkan tingkat kematangannya untuk dijual kembali. Identifikasi kematangan dilakukan dengan cara manual, melihat ciri visualnya berupa warna saja. Metode-metode identifikasi tingkat kematangan ini cukup baik. Namun, metode konvensional yang digunakan tersebut tidak efektif dan efisien dalam mengidentifikasi tingkat kematangan buah markisa karena seringnya terjadi kesalahan identifikasi. Pada penelitian ini, kami mengusulkan Klasifikasi Tingkat Kematangan Buah Markisa Menggunakan Jaringan Syaraf Tiruan berbasis Pengolahan Citra Digital. Metode yang diusulkan terdiri atas 5 tahapan utama yaitu akuisisi citra, praproses, segmentasi, operasi morfologi, ekstraksi fitur, dan klasifikasi. Metode yang diusulkan memberikan akurasi hasil klasifikasi sebesar 80% dan misklasifikasi sebesar 20%. Sedangakan waktu yang diperlukan untuk mengeksekusi sebuah citra uji adalah sebesar 0.2 detik. Hasil klasifikasi dan waktu komputasi menunjukkan bahwa metode yang diusulkan dapat memberikan akurasi yag tinggi dan waktu komputasi yang cepat. Metode yang diusulkan dan sistem yang dibangun diharapkan dapat membantu masyarakat dalam mengidentifikasi tingkat kematangan buah markisa. Selain itu diharapkan metode yang diusulkan dapat dimanfaatkan sebagai referensi untuk pengembangan teknologi budidaya buah markisa.
Downloads
References
R. Rukmana, Usaha Tani Markisa. Yogyakarta: Kanisius, 2003.
- Karsinah, F. Silalahi, and A. Manshur, “Eksplorasi Dan Karakterisasi Plasma Nutfah Tanaman Markisa,” J. Hortik., vol. 17, no. 4, pp. 297–306, 2007.
S. Lesmayati, “Penerapan Inovasi Teknologi Pengolahan untuk Mendukung Pengembangan Buah Markisa Sebagai Produk Hasil Pekarangan,” in Prosiding Seminar Nasional Inovasi Teknologi Pertanian, 2016, pp. 1009–1014.
A. Kadir and A. Susanto, Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi, 2013.
R. C. Gonzalez, R. E. Woods, and B. R. Masters, “Digital image processing, third edition.,” J. Biomed. Opt., vol. 14, no. 2, p. 029901, 2008.
A. Z. Arifin and A. Asano, “Image Segmentation by Histogram Thresholding using Hierarchical Cluster Analysis,” Pattern Recognit. Lett., vol. 27, no. 13, pp. 1515– 1521, 2006.
N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Trans. Syst. Man. Cybern., vol. 9, no. 1, pp. 62–66, 1979.
A. B. Kaswar, A. Z. Arifin, and A. Y. Wijaya, “Segmentasi Citra Ikan Tuna dengan Mahalanobis Histogram Thresholding dan Mahalanobis Fuzzy C-Means,” J. Buana Inform., vol. 7, no. 3, pp. 197–204, 2016.
H. Yao, Q. Duan, D. Li, and J. Wang, “An improved K-means clustering algorithm for fish image segmentation,” Math. Comput. Model., vol. 58, no. 3–4, pp. 790–798, 2013.
S. Agustin and E. Prasetyo, “Klasifikasi Jenis Pohon Mangga Gadung dan Curut Berdasarkan Tesktur Daun,” in SESINDO, 2011, pp. 58–64.
M. A. Agmalaro, A. Kustiyo, and A. R. Akbar, “Identifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan Syaraf Tiruan,” J. Ilmu Komput. dan Agri-Informatika, vol. 2, no. 2, p. 73, 2013.
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
