Penerapan Multilayer Perceptron (MLP) untuk Klasifikasi Citra Kue Karawo Berdasarkan Fitur Tekstur GLCM dan Warna HSV di Viana Cookies

Mutiara Ilato; Lailany Yahya; Siti Nurmardia Abdussamad

doi:10.31004/riggs.v4i4.4243

Authors

Mutiara Ilato Universitas Negeri Gorontalo
Lailany Yahya Universitas Negeri Gorontalo
Siti Nurmardia Abdussamad Universitas Negeri Gorontalo

DOI:

https://doi.org/10.31004/riggs.v4i4.4243

Keywords:

GLCM, HSV, Klasifikasi Citra, Kue Karawo, Multilayer Perceptron

Abstract

Kue karawo merupakan salah satu produk pangan tradisional khas Provinsi Gorontalo yang memiliki nilai budaya sekaligus potensi ekonomi. Penilaian kualitas kue karawo selama ini masih dilakukan secara visual dan manual, sehingga sangat bergantung pada subjektivitas penilai dan berisiko menimbulkan ketidakkonsistenan hasil, terutama pada proses produksi dalam jumlah besar. Penelitian ini bertujuan untuk mengklasifikasikan kualitas kue karawo secara otomatis dengan memanfaatkan citra digital dan algoritma Multilayer Perceptron (MLP). Karakteristik kualitas kue direpresentasikan melalui fitur tekstur dan warna, di mana fitur tekstur diekstraksi menggunakan Gray Level Co-occurrence Matrix (GLCM) yang meliputi energy, contrast, correlation, dan homogeneity, sedangkan fitur warna diperoleh dari model Hue, Saturation, dan Value (HSV). Data citra yang digunakan berasal dari Viana Cookies dan telah melalui tahapan praproses serta normalisasi menggunakan metode Z-score sebelum dilakukan pelatihan dan pengujian model. Evaluasi kinerja klasifikasi dilakukan menggunakan confusion matrix dengan indikator akurasi, presisi, dan recall. Hasil pengujian menunjukkan bahwa model MLP mampu memberikan kinerja yang cukup baik dengan nilai akurasi sebesar 80,72%, presisi 72,73%, dan recall 77,42%. Hasil ini menunjukkan bahwa kombinasi fitur tekstur GLCM dan warna HSV efektif digunakan dalam mengklasifikasikan kualitas kue karawo. Secara praktis, penelitian ini diharapkan dapat menjadi dasar pengembangan sistem pendukung keputusan dalam pengendalian kualitas produk kue karawo secara objektif dan efisien.

Downloads

Download data is not yet available.

References

R. Rosmayanti, E. Lasmanawati, and A. S. Nurani, “Pelestarian ‘Kue Mayit’ Sebagai Kue Tradisional Garut,” Media Pendidikan, Gizi, dan Kuliner, vol. 8, no. 2, pp. 35–41, 2019, doi: 10.17509/boga.v8i2.21960.

Asep Supriatna, “Pelatihan Pengolahan Kue Tradisional Wajit Kawista Untuk Meningkatkan Ekonomi Keluarga Di Desa Sumurgede,” J. Bakti …, vol. 1, no. 3, pp. 283–297, 2023, [Online]. Available: https://jurnal.rakeyansantang.ac.id/index.php/JBT/article/view/538%0Ahttps://jurnal.rakeyansantang.ac.id/index.php/JBT/article/download/538/233

J. S. Iskandar and R. P. Kristianto, “Pengenalan dan Klasifikasi Ragam Kue Indonesia menggunakan Arsitektur ResNet50V2 pada Convolutional Neural Network ( CNN ),” Pros. Semin. Nas. AMIKOM Surakarta, vol. 1, no. November, pp. 81–92, 2023, [Online]. Available: https://ojs.amikomsolo.ac.id/index.php/semnasa/article/view/53

N. A. Sahi, S. R. Luawo, and M. A. Novriansyah, “Global Scientific Review Women’s Empowerment Based on Local Wisdom (Karawo Cake Center, Tanggilingo Bone Bolango Village),” vol. 22, no. December, pp. 375–381, 2023.

S. Boki, “Increasing Income Through The Karwo Cake Center In Tanggilingo Village, Kabila Sub-District, Bone Bolango District,” J. ISO J. Ilmu Sos. Polit. dan Hum., vol. 4, no. 1, p. 6, 2024, doi: 10.53697/iso.v4i1.1756.

V. Monoarfa, I. Safitri, and C. Setiawati, “Perilaku Sticky Cost Terhadap Beban Usaha pada Aktivitas Penjualan Kue Karawo di UMKM Li Maya Gorontalo,” ManBiz J. Manag. Bus., vol. 3, no. 2, pp. 270–274, 2024, doi: 10.47467/manbiz.v3i2.6620.

I. P. Sari, F. Ramadhani, A. Satria, and D. Apdilah, “Implementasi Pengolahan Citra Digital dalam Pengenalan Wajah menggunakan Algoritma PCA dan Viola Jones,” Hello World J. Ilmu Komput., vol. 2, no. 3, pp. 146–157, 2023, doi: 10.56211/helloworld.v2i3.346.

I. Ilhamsyah, A. Y. Rahman, I. Istiadi, and others, “Klasifikasi Kualitas Biji Kopi Menggunakan MultilayerPerceptron Berbasis Fitur Warna LCH,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 6, pp. 1008–1017, 2021.

Y. Yunitasari, “Klasifikasi Gambar Menggunakan Metode K-Nearest Neighbor,” in Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi (SENATIK), 2020, pp. 451–457.

H. H. Ullu, B. Baso, R. Risald, P. G. Manek, and D. Chrisinta, “Ektraksi Fitur Berbasis Tekstur Pada Citra Tenun Timor Menggunakan Metode Gray Level Co-occurrence Matrix (GLCM),” J. Inf. Technol., vol. 2, no. 2, pp. 70–74, 2022.

F. Febriana, L. S. Riva, R. Salomo, S. Piero, M. A. Ikramsyah, and M. M. Santoni, “Perbandingan Klasifikasi Naive-Bayes dan KNN untuk Mengidentifikasi Jenis Buah Apel dengan Ekstraksi Ciri LBP dan HSV,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., no. September, pp. 191–201, 2021.

I. Permana and F. N. S. Salisah, “Pengaruh Normalisasi Data Terhadap Performa Hasil Klasifikasi Algoritma Backpropagation,” Indones. J. Inform. Res. Softw. Eng., vol. 2, no. 1, pp. 67–72, 2022, doi: 10.57152/ijirse.v2i1.311.

Y. Miftahuddin and M. M. Faturrahman, “Penerapan Data Standardization dan Multilayer Perceptron pada Identifikasi Website Phishing,” J. MIND J. | ISSN, vol. 7, no. 2, pp. 111–123, 2022.

I. Daniel, A. F. Limas Ptr, and A. Ichsan, “Klasifikasi Risiko Penyakit Jantung Dengan Multilayer Perceptron,” Data Sci. Indones., vol. 4, no. 1, pp. 78–82, 2024, doi: 10.47709/dsi.v4i1.4667.

S. H. Gulo and A. H. Lubis, “Penerapan Multi-Layer Perceptron untuk Mengklasifikasi Penduduk Kurang Mampu, Application of Multi-Layer Perceptron to Classify Underprivileged Populations Happy,” J. Comput. Sci. Inf. Technol., vol. 4, no. 2, pp. 51–59, 2024.

A. M. Soemardi, R. Umilasari, and D. Lusiana, “Penerapan Multilayer Artificial Neural Network Untuk Klasifikasi Daun Berdasarkan Jenis Penyakitnya Sebagai Langkah Efektif Perawatan Tanaman Application of Multilayer Artificial Neural Network to Classify Leaves Based on Type of Disease as an Effective S,” J. Smart Teknol., vol. 5, no. 3, pp. 2774–1702, 2024, [Online]. Available: http://jurnal.unmuhjember.ac.id/index.php/JST