Pengaruh Ukuran Cropping Urat Daun terhadap Akurasi Pengenalan Bibit Kelengkeng dengan HOG-JST

Agus Rahmad Hidayah; Gasim Gasim; Zaid Romegar Mair

doi:10.69693/ijmst.v5i1.14681

Authors

Agus Rahmad Hidayah Universitas Indo Global Mandiri
Gasim Gasim Universitas Indo Global Mandiri
Zaid Romegar Mair Universitas Indo Global Mandiri

DOI:

https://doi.org/10.69693/ijmst.v5i1.14681

Keywords:

Cropping, Urat Daun, Bibit Kelengkeng, Histogram of Gradients, Jaringan Syaraf Tiruan

Abstract

Identifikasi jenis bibit kelengkeng secara manual bersifat subjektif dan bergantung pada pengalaman pengamat, sedangkan pola urat daun menyimpan informasi tekstur yang khas bagi setiap varietas. Penelitian ini bertujuan menganalisis pengaruh variasi ukuran cropping citra urat daun terhadap akurasi pengenalan lima jenis bibit kelengkeng, yaitu Diamond, Itoh, Matalada, Merah, dan Pimpong, menggunakan fitur Histogram of Oriented Gradients (HOG) dan Jaringan Syaraf Tiruan (JST) propagasi balik. Citra daun diakuisisi dengan mikroskop USB digital di bawah pencahayaan LED terkontrol, dipotong pada area tengah dengan lima ukuran (150×150, 200×200, 300×300, 400×300, dan 500×400 piksel), diubah menjadi citra grayscale, lalu diekstraksi menggunakan HOG. Sembilan fitur statistik dari vektor HOG menjadi masukan JST dengan dua hidden layer (40 dan 30 neuron). Pada setiap ukuran digunakan 200 citra latih dan 50 citra uji, dan akurasi data latih dibandingkan dengan data uji untuk menelaah kemampuan generalisasi. Hasil menunjukkan akurasi data latih meningkat dari 61% pada ukuran 150×150 menjadi 87,5% pada ukuran 500×400, sedangkan akurasi data uji tertinggi sebesar 72% dicapai pada ukuran 300×300 dan menurun menjadi 58% pada ukuran 500×400. Selisih tersebut mengindikasikan kecenderungan overfitting pada ukuran terbesar. Kelas Merah paling sulit dikenali dengan akurasi uji rata-rata 34%. Dengan demikian, ukuran cropping menengah 300×300 piksel paling optimal untuk pengenalan berbasis tekstur urat daun, dan penambahan fitur warna disarankan pada penelitian selanjutnya.

References

1. Algoritme, J., Paniza, M., Alamsyah, D., & Matrix, C. (2021). Identifikasi Jenis Buah Pir Berdasarkan Bentuk Menggunakan Metode HOG dan JST. 2(1), 62–72. https://doi.org/https://doi.org/10.35957/algoritme.v2i1.1455

2. Algoritme, J., Wati, R. K., Irsyad, H., Studi, P., & Informatika, T. (2021). Pengenalan Aksara Arab Menggunakan Metode JST Dengan Fitur HOG Dan LBP. 2(1). https://doi.org/https://doi.org/10.35957/algoritme.v2i1.1453

3. Amrulloh, A. R. F. M. L. M. F. (2022). Klasifikasi jenis tanaman kelengkeng berdasarkan ciri tekstur daun menggunakan metode Adaptive Neuro Fuzzy Inference System (AFIS). Jurnal Explore IT, 14(36), 29–38. https://doi.org/10.35891/explorit

4. Anggraini, C., & Sriani. (2024). Klasifikasi Daun Kelengkeng Menggunakan Metode Gray Level Co-Occurrence Matrix (Glcm) Dan K-Nearest Neighbor (Knn). JSiI (Jurnal Sistem Informasi), 11(2), 72–78. https://doi.org/10.30656/jsii.v11i2.9157

5. Cahyani, R. P., Heriansyah, R., & Gasim, G. (2025). Identification of Ginger Varieties Using Manhattan Distance on Image Pixel Vectors and Histograms. Bit-Tech, 8(2), 1659–1667. https://doi.org/10.32877/bt.v8i2.3019

6. Dwi Hartanti, Nur Ahmad Wahyu Saputra, S. (2025). Sistem Rekomendasi Pemilihan Bibit Kelengkeng dengan Metode Knowledge Base. 18, 1–12. https://doi.org/https://doi.org/10.47701/dutacom.v18i1.5031

7. Erven Tanjungan, Gasim, S. (2021). Perbandingan Tingkat Akurasi Pengenalan Kadar Semen Dan Pasir Pada Campuran Kering Berdasarkan Tingkat Resolusi Kamera Dengan Metode Pengenalan JST. 1(2), 168–183. https://doi.org/https://doi.org/10.23917/khif.v5i1.8014

8. Fanshuri, B. Al. (2021). Peluang dan Tantangan Industri Buah Lengkeng di Indonesia PELUANG DAN TANTANGAN INDUSTRI BUAH LENGKENG. April 2016. https://www.researchgate.net/publication/349105945_Peluang_dan_Tantangan_Industri_Buah_Lengkeng_di_Indonesia

9. Firdaus, rif’an, A., Lutfi, M., & Amrulloh, Faishol, M. (2023). Klasifikasi Jenis Kelengkeng Berdasarkan Morfologi Daun Dengan Ekstraksi Ciri RRGB, GLCM. Jurnal Keilmuan Dan Aplikasi Teknik Informatika, 1(2)(2), 110–125. https://doi.org/10.31102/jatim.v4i2.2341

10. Iqbal, N., Sha, U., & Mohammad, S. (2021). Gray level co-occurrence matrix ( GLCM ) texture based crop classi fi cation using low altitude remote sensing platforms. https://doi.org/10.7717/peerj-cs.536

11. Nafi, N., & Prasetyo, P. R. (2023). Klasifikasi Jenis Kelengkeng Berdasarkan Daun Menggunakan Convolutional Neural Network Multilayer Perceptron. 17(2), 75–79. https://doi.org/10.61769/telematika.v17i2.496

12. Rahmadewi, R., Efelina, V., & Purwanti, E. (2022). IDENTIFIKASI JENIS TUMBUHAN MENGGUNAKAN CITRA DAUN BERBASIS JARINGAN SARAF TIRUAN ( ARTIFICIAL NEURAL NETWORKS ). VII(2), 38–43. https://doi.org/https://doi.org/10.35508/jme.v0i0.427

13. Saputri, G. (2022). Identifikasi Kadar Ikan Pada Pempek Menggunakan Teknik Blok Citra Dengan Fitur GLCM Dan Metode JST. 3(1), 99–113. https://jurnal.mdp.ac.id/index.php/algoritme/article/view/3362/

14. Saputro, A., Mu’min, S., Moch. Lutfi, & Putri, H. (2022). Deep Transfer Learning Dengan Model Arsitektur Vgg16 Untuk Klasifikasi Jenis Varietas Tanaman Lengkeng Berdasarkan Citra Daun. JATI (Jurnal Mahasiswa Teknik Informatika), 6(2), 609–614. https://doi.org/10.36040/jati.v6i2.5456

15. Ying, Q., Zhou, H., Hu, X., Qian, Z., Li, S., & Zhang, X. (2023). Image Protection for Robust Cropping Localization and Recovery. Proceedings - IEEE International Conference on Multimedia and Expo, 2023-July, 1193–1198. https://doi.org/10.1109/ICME55011.2023.00208

16. Zaid Romegar Mair, M. A. R. (2024). Perbandingan Versi Terbaik YOLO Dalam Mendeteksi Jarak Spasi Antar Baris Tulisan Tangan. Jurnal Sains, Nalar, Dan Aplikasi Teknologi Informasi, 4(2), 103–110. https://doi.org/10.20885/snati.v4.i2.40414