Pengolahan Citra Digital Untuk Identifikasi Kematangan Mentimun Dengan Menggunakan Jaringan Syaraf Tiruan

Muhamad Rizaldi Satrio Fadli; Aang Alim Murtopo; Syefudin Syefudin

doi:10.31004/riggs.v4i2.819

Authors

Muhamad Rizaldi Satrio Fadli STIMIK YMI Tegal
Aang Alim Murtopo STIMIK YMI Tegal
Syefudin Syefudin STMIK YMI TEGAL

DOI:

https://doi.org/10.31004/riggs.v4i2.819

Keywords:

Citra Digital, Jaringan Syaraf Tiruan, Backpropagation

Abstract

Perkembangan teknologi berpengaruh besar pada pertanian dan pascapanen. Salah satu tantangan utama adalah menentukan tingkat kematangan buah dengan tepat dan efisien. Kematangan buah penting untuk kualitas dan nilai jual produk hortikultura. Metode tradisional yang bergantung pada pengamatan manual kurang konsisten dan akurat. Penentuan kematangan buah adalah area penelitian penting untuk meningkatkan kualitas produk. Mentimun menjadi fokus penelitian karena pentingnya dalam konsumsi. Hasil mentimun meningkat antara 2014 hingga 2018, sehingga pemahaman kematangannya diperlukan untuk pengelolaan panen yang lebih baik. Pendekatan berbasis teknologi seperti kecerdasan buatan dan jaringan syaraf tiruan telah dikembangkan untuk mengklasifikasikan kematangan berdasarkan warna, tekstur, dan ukuran. Penelitian ini bertujuan mengembangkan model untuk menentukan kematangan mentimun dari citra digital.Hasil yang didapatkan dalam pengolahan citra digital untuk mengidentifikasi kematangan mentimun, digunakan jaringan syaraf tiruan dengan algoritma backpropagation yang efektif untuk klasifikasi dan prediksi. Sebanyak 17 citra digital diambil dari kamera Canon 600D, terdiri dari 12 mentimun mentah dan 5 matang, diolah menggunakan aplikasi Matlab. Analisis menunjukkan bahwa citra mentimun mentah memiliki nilai RGB yang hampir merata, sedangkan data latih dan uji berhasil mengidentifikasi 12 mentimun mentah dan 5 matang, termasuk 1 semi-matang.

Downloads

Download data is not yet available.

References

M. K. L. S. Napitu, R. Paramita Panjaitan, P. A. Nulhakim, “‘Klasifikasi Buah Jeruk Segar dan Busuk Berdasarkan RGB dan HSV Menggunakan Metode KNN,’” J. SAINTEKOM, vol. 13 (2), pp. 214–221, 2023, doi: 10.33020/saintekom.v13i2.420.

S. N. Aprinus Rizaldi Mari, “Strategi Penggembangan Usaha Tani Mentimun di Kebun Perktek Universitas Nusa Nipa Indonesia Aprinus,” J. Ilm. Wahana Pendidik., vol. 8, no. 1, pp. 492–504, 2022, doi: 10.5281/zenodo.5879977.

H. Harianto, D. Anggraini, A. Astuti, and H. Adinegoro, “Uji Metode Pengkelasan Tingkat Kematangan Buah Mangga Berdasar Posisi Buah di dalam Air,” War. Ind. Has. Pertan., vol. 37, no. 1, p. 41, 2020, doi: 10.32765/wartaihp.v37i1.5295.

S. V. Widyasari, M. I. Muttaqin, T. P. Ananda, and A. Stefanie, “IMPLEMENTASI INTERNET OF THINGS PADA SISTEM MONITORING KEMATANGAN BUAH PEPAYA CALIFORNIA DENGAN METODE DEEP LEARNING,” J. Mhs. Tek. Inform., vol. 7, no. 3, pp. 1946–1952, 2023, doi: https://doi.org/10.36040/jati.v7i3.6953.

D. Veranita, M. Minarni, F. Candra, S. Saktioto, and M. F. Rabin, “Pencitraan Hiperspekral untuk Membedakan Asal Tanah Tumbuh Dari Tandan Buah Segar Kelapa Sawit,” J. Media Inform. Budidarma, vol. 4, no. 3, p. 761, 2020, doi: 10.30865/mib.v4i3.2219.

Dadang Iskandar Mulyana and D. Riyanti Wibowo, “Implementasi Tingkat Kematangan Buah Monk Dengan Menggunakan Ekstraksi Gray-Level Co-Occurrence Matrix (Glcm) Dan Support Vector Machine (Svm),” J. Inform. Teknol. dan Sains, vol. 5, no. 3, pp. 334–339, 2023, doi: 10.51401/jinteks.v5i3.2512.

R. Kurniawan, A. T. Martadinata, and S. D. Cahyo, “Klasifikasi Tingkat Kematangan Buah Sawit Berbasis Deep Learning dengan Menggunakan Arsitektur Yolov5,” J. Inf. Syst. Res., vol. 5, no. 1, pp. 302–309, 2023, doi: 10.47065/josh.v5i1.4408.

E. F. Himmah, M. Widyaningsih, and M. Maysaroh, “Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering,” J. Sains dan Inform., vol. 6, no. 2, pp. 193–202, 2020, doi: 10.34128/jsi.v6i2.242.

Firda Ridhania, “‘Pengaruh Citra Merek Terhadap Gaya Keputusan Konsumen,’” Penelit. Dan Pengukuran Psikol., vol. 1, No.1, 2012.

M. Zen, “Perbandingan Metode Dimensi Fraktal Dan Jaringan Syaraf Tiruan Backpropagation Dalam Sistem Identifikasi Sidik Jari Pada Citra Digital,” Jitekh, vol. 7, no. 2, pp. 42–50, 2019, doi: https://doi.org/10.35447/jitekh.v7i02.80.

H. Muchtar and F. Said, “Sistem Identifikasi Plat Nomor Kendaraan Menggunakan Metode Robert Filter dan Framing Image Berbasis Pengolahan Citra Digital,” Resist. (elektRonika kEndali Telekomun. tenaga List. kOmputeR), vol. 2, no. 2, p. 105, 2019, doi: 10.24853/resistor.2.2.105-112.

I. Permadi and A. K. Nugroho, “Klasifikasi Citra Menggunakan Kombinasi Jaringan Syaraf Tiruan Model Perceptron dan Algoritma One vs Rest,” INOVTEK Polbeng - Seri Inform., vol. 4, no. 2, p. 193, 2019, doi: 10.35314/isi.v4i2.1062.

R. J. Rumandan, R. Nuraini, N. Sadikin, and Y. Rahmanto, “Klasifikasi Citra Jenis Daun Berkhasiat Obat Menggunakan Algoritma Jaringan Syaraf Tiruan Extreme Learning Machine,” J. Comput. Syst. Informatics, vol. 4, no. 1, pp. 145–154, 2022, doi: 10.47065/josyc.v4i1.2586.

O. Somantri and S. Wiyono, “Peningkatan Akurasi Klasifikasi Tingkat Penguasaan Materi Bahan Ajar Menggunakan Jaringan Syaraf Tiruan Dan Algoritma Genetika,” J. Teknol. dan Sist. Komput., vol. 5, no. 4, p. 147, 2017, doi: 10.14710/jtsiskom.5.4.2017.147-152.

L. Listyalina et al., “PENENTUAN PENYAKIT PARU DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Latifah,” J. SIMETRIS, vol. 11, no. 1, pp. 233–240, 2020, doi: https://doi.org/10.24176/simet.v11i1.3667.

S. Pujiyanta, Ardi., Rizqiawan, Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah dengan Fuzzy C-Mean. Program Studi Teknik Informatika. Universitas Ahmad Dahlan. Semarang. ISBN: 978-6021034-40-8. 2016.

Wijoyo PM, “Budidaya Mentimun. Jakarta (ID): Pustaka Agro Indonesia.,” 2012.

H. M. Aris Budi S, Suma’inna, “Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA).,” J. Tek. Inform., vol. 9 (2), 2016.

K. B. . Abdullah, W. G., Usman, R., Raden, M. I., Sitti, A. A. T., Weka, W., Ilma, S. R., La, R. B., and Wa, “Potency of natural sweetener: Brown sugar. Advances in Environmental Biology,” Biol. Conserv., vol. 12(1), pp. 374-386., 2014.

E. I. Eka Pandu Cynthia, “Jaringan Syaraf Tiruan Algoritma Backpropagation dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau.,” RABIT J. Teknol. dan Sist. Inf., vol. 2 (2), 2017.

dan G. widi N. Musli Yanto, Sarjon Defit, “Analisis Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Reservasi Kamar Hotel Dengan Metode Backpropagation.,” KomTekInfo, vol. 2 (1), 2015.

H. K. Pratama, Analisis Perbandingan Pengenalan Tanda Tangan dengan Menggunakan Metode Perceptron dan BackPropagation, Skripsi Universitas Islam Negeri Syarif Hidayatullah, Jakarta. 2011.

M. N. Y. Maulidin Yusuf, I. P. Ramadhani, and A. B. Kaswar, “Identifikasi Kualitas Telur Ayam Berbasis Pengolahan Citra Digital dan Jaringan Syaraf Tiruan,” J. Embed. Syst. Secur. Intell. Syst., vol. 2, no. 1, p. 33, 2021, doi: 10.26858/jessi.v2i1.20314.

M. I. U. Muddin, D. W. Soedibyo, and S. Wahyuningsih, “Identifikasi Varietas Benih Jagung (Zea Mays L.) Menggunakan Pengolahan Citra Digital Berbasis Jaringan Syaraf Tiruan,” Teknika, vol. 8, no. 2, pp. 78–85, 2019, doi: 10.34148/teknika.v8i2.173.

M. Effendi, F. Fitriyah, and U. Effendi, “Identifikasi Jenis dan Mutu Teh Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf Tiruan,” J. Teknotan, vol. 11, no. 2, p. 67, 2017, doi: 10.24198/jt.vol11n2.7.

T. . Johan and iza rifna, “IDENTIFIKASI KEMATANGAN BUAH TOMAT BERDASARKAN WARNA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN ( JST ) BACKPROPAGATION Mahasiswa Jurusan Informatika Fakultas Ilmu Komputer Universitas Almuslim Bireuen – Aceh Abstrak kentang ( Sabiro,” J. TIKA, vol. 7, no. 3, pp. 309–315, 2022, doi: https://doi.org/10.51179/tika.v7i3.1647.

A. Jusrawati, A. B. Futri, and Kaswa, “Klasifikasi Tingkat Kematangan Buah Pisang Dalam Ruang Warna RGB Menggunakan Jaringan Syaraf Tiruan (JST),” J. Embed. Syst. Secur. Intell. Syst., vol. 2, no. 1, pp. 49–54, 2021, doi: https://doi.org/10.26858/jessi.v2i1.20327.

J. Rumelhart, D. McClelland, Parallel Distributed Processing: Explorations in the Microstructures of Coginition, Vol. 1., Cambridge: MIT Press. 1986.

S. Haykin, Nueral Networks and Learning Machines. United State of America: Pearson. 2009.