KLASIFIKASI RASA JERUK SIAM BERDASARKAN WARNA DAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL

Jessica Crisfin Lapendy
Andi Aulia Cahyana Resky
Haerunnisya Makmur
Andi Baso Kaswar
Dyah Darma Andayani
Fhatiah Adiba


DOI: https://doi.org/10.29100/jipi.v9i2.5384

Abstract


Jeruk merupakan salah satu buah yang sangat populer di kalangan masyarakat Indonesia karena memiliki rasa yang segar, enak, dan memiliki banyak manfaat bagi kesehatan. Kandungan vitamin C yang melimpah membuat buah ini banyak dijadikan sebagai suplemen kesehatan sehingga jeruk memiliki nilai komersial dan pangsa pasar yang besar. Untuk mendapatkan manfaat yang maksimal dari buah ini, diperlukan kualitas jeruk yang baik, dilihat dari segi rasa dan tingkat kematangan buah jeruk. Salah satu jenis jeruk yang populer adalah jeruk siam. Akan tetapi, dari segi rasa buah jeruk asam dan manis masih sulit untuk dibedakan jika hanya dilihat oleh mata. Oleh karena itu, pada penelitian ini diusulkan sistem klasifikasi rasa buah jeruk siam berdasarkan warna dan tekstur kulit menggunakan jaringan syaraf tiruan berbasis pengolahan citra digital. Pada penelitian ini, rasa jeruk dibagi ke dalam 2 kelas, yaitu manis dan asam. Metode yang diusulkan terdiri atas 7 tahapan utama yaitu tahap akuisisi citra, preprocessing, segmentasi menggunakan Otsu Thresholding, penghilangan noise citra biner menggunakan K-Means, operasi morfologi, ekstraksi fitur warna serta tekstur, dan klasifikasi menggunakan jaringan syaraf tiruan. Beberapa skenario pengujian dilakukan dan diperoleh skenario penggabungan fitur warna LAB dengan fitur tekstur contrast, correlation, energy dan homogeneity yang menghasilkan akurasi tertinggi. Adapun nilai akurasi, precision, dan recall yang diperoleh, yaitu 98,75%, 100%, dan 97,56%. Hal ini menunjukkan bahwa metode yang diusulkan memiliki kinerja yang baik dalam mengklasifikasian rasa buah jeruk ke dalam kelas manis atau asam.

Keywords


Jaringan Syaraf Tiruan; Jeruk Siam; Klasifikasi Rasa; Pengolahan Citra Digital

Full Text:

PDF

Article Metrics :

References


K. P. Siwilopo and H. Marcos, “Membandingkan Klasifikasi Pada Buah Jeruk Menggunakan Metode Convolutional Neural Network Dan K-Nearest Neighbor,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 57–64, 2023, doi: 10.34010/komputa.v12i1.9068.

BPS, “Produksi Tanaman Buah-buahan 2022,” Badan Pusat Statistik, 2022. https://www.bps.go.id/indicator/55/62/1/produksi-tanaman-buah-buahan.html.

M. A. Rizaty, “Produksi Jeruk Siam di Indonesia Sebanyak 2,7 Juta Ton pada 2022,” DataIndonesia.id, 2023. https://dataindonesia.id/agribisnis-kehutanan/detail/produksi-jeruk-siam-di-indonesia-sebanyak-27-juta-ton-pada-2022.

P. Bangun, Nurhayati, and M. Sihombing, “Pengolahan Citra Untuk Identifikasi Kematangan Buah Jeruk Dengan Menggunakan Metode Backpropagation Berdasarkan Nilai Hsv,” J. Tek. Inform. Kaputama, vol. 5, no. 1, pp. 85–91, 2021.

T. Widiyani, O. P. Astirin, E. Herawati, S. Listyawati, and A. Budiharjo, “Peningkatan Kualitas Dan Kuantitas Produk Umkm Sari Buah Jeruk Sebagai Minuman Imunostimulan Alami Untuk Menarik Daya Beli Masyarakat di Masa Pandemi,” Sarwahita J. Pengabdi. Kpd. Masy., vol. 19, no. 01, pp. 182–192, 2022, doi: 10.21009/sarwahita.191.16.

M. S. Sofiyana et al., Metodologi Penelitian Pendidikan Kualitatif, 1st ed. Sumatera Barat: PT. GLOBAL EKSEKUTIF TEKNOLOGI, 2022.

O. Dahwanu and Sarjono, “Analisis dan Perancangan Jaringan Saraf Tiruan untuk Mengidentifikasi Tingkat Kematangan Buah Belimbing Manis (Averrhoa carambola L.),” J. Manaj. Sist. Inf., vol. 4, no. 1, pp. 65–74, 2019, [Online]. Available: http://ejournal.stikom-db.ac.id/index.php/manajemensisteminformasi/article/download/596/421.

R. E. Pawening, W. J. Shudiq, and W. Wahyuni, “KLASIFIKASI KUALITAS JERUK LOKAL BERDASARKAN TEKSTUR DAN BENTUK MENGGUNAKAN METODE k-NEAREST NEIGHBOR (k-NN),” COREAI J. Kecerdasan Buatan, Komputasi dan Teknol. Inf., vol. 1, no. 1, pp. 10–17, 2020, doi: 10.33650/coreai.v1i1.1640.

V. A. Sinaga, E. Setiawan, and M. H. H. Ichsan, “Sistem Klasifikasi Rasa Buah Jeruk Menggunakan Metode Naïve Bayes Dengan Arduino Nano,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, pp. 1853–1859, 2021, [Online]. Available: http://j-ptiik.ub.ac.id.

H. Fitriyah and R. Maulana, “Deteksi Gulma Berdasarkan Warna HSV dan Fitur Bentuk Menggunakan Jaringan Syaraf Tiruan,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 5, p. 929, 2021, doi: 10.25126/jtiik.2021854719.

A. T. Lodong, A. W. Widodo, and M. A. Rahman, “Penentuan Mutu pada Citra Buah Jeruk Keprok menggunakan Metode Local Binary Pattern ( LBP ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 4, pp. 1616–1622, 2023.

D. G. Koç and M. Vatandaş, “Classification of Some Fruits using Image Processing and Machine Learning Dilara,” Turkish J. Agric. - Food Sci. Technol., vol. 9, no. 12, 2021, doi: https://doi.org/10.24925/turjaf.v9i12.2189-2196.4445 Turkish.

P. Rosyani and S. Saprudin, “Deteksi Citra Bunga Menggunakan Analisis Segmentasi Fuzzy C-Means dan Otsu Threshold,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 20, no. 1, pp. 29–36, 2020, doi: 10.30812/matrik.v20i1.715.

A. Fadjeri, L. Kurniatin, D. K. Adri Ariyanto, and B. A. Saputra, “Analisis Perbandingan Hasil Pengolahan Citra Asli Dan Cropping Untuk Mengidentifikasi Karakteristik Tanaman Selada Menggunakan Metode Morfologi Dan Ekstrasi Ciri,” J. Ilm. SINUS, vol. 21, no. 1, p. 73, 2023, doi: 10.30646/sinus.v21i1.664.

A. Zendhaf, R. Magdalena, and R. Y. N. Fu’adah, “Segmentasi Pembuluh Darah pada Fundus Retina Menggunakan Deteksi Tepi dan Operasi Morfologi,” e-Proceeding Eng., vol. 5, no. 3, pp. 5506–5512, 2018.

Nurhidayati and I. Marzuki, “Deteksi Otomatis Penyakit Daun Jagung Menggunakan Teknik Klasterisasi Data dan Operasi Morfologi,” J. Energy (Jurnal Ilm. Ilmu-ilmu Tek., vol. 10, no. 1, pp. 25–32, 2020.

A. S. Agung, A. F. D. SR, M. S. Hersyam, A. B. Kaswar, and D. D. Andayani, “CLASSIFICATION OF TOMATO QUALITY BASED ON COLOR FEATURES AND SKIN CHARACTERISTICS USING IMAGE PROCESSING BASED ARTIFICIAL NEURAL NETWORK,” J. Tek. Inform., vol. 4, no. 5, pp. 1021–1032, 2023.

A. Fadjeri, B. A. Saputra, D. K. Adri Ariyanto, and L. Kurniatin, “Karakteristik Morfologi Tanaman Selada Menggunakan Pengolahan Citra Digital,” J. Ilm. SINUS, vol. 20, no. 2, p. 1, 2022, doi: 10.30646/sinus.v20i2.601.

S. Sanjaya, “Aplikasi Pengenalan Tingkat Kematangan Buah Tomat Menggunakan Fitur Warna Hsv Berbasis Android,” J. Teknoinfo, vol. 16, no. 1, p. 26, 2022, doi: 10.33365/jti.v16i1.1489.

A. Wibowo, D. M. C. Hermanto, K. I. Lestari, and H. Wijoyo, “Deteksi Kematangan Buah Jambu Kristal Berdasarkan Fitur Warna Menggunakan Metode Transformasi Ruang Warna Hsv (Hue Saturation Value) Dan K-Nearest Neighbor,” INCODING J. Informatics Comput. Sci. Eng., vol. 1, no. 2, pp. 76–88, 2021, doi: 10.34007/incoding.v2i1.131.

P. Harnis, Y. A. Sari, and M. A. Rahman, “Segmentasi Citra Kue Tradisional menggunakan Otsu Thresholding pada Ruang Warna CIE LAB,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 6799–6808, 2019, [Online]. Available: http://j-ptiik.ub.ac.id.

N. Novita, H. Dafitri, and N. Wulan, “Implementasi Algoritma Otsu Thresholding Dengan Median Filter Dalam Segmentasi Citra Digital Naskah Kuno Batak (Studi Kasus: Museum Negeri Provinsi Sumatera Utara),” J. Informatics Data Sci., vol. 1, no. 1, pp. 7–9, 2022, doi: 10.24114/j-ids.v1i1.24153.