KLASIFIKASI RASA BUAH SALAK BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN METODE JARINGAN SARAF TIRUAN BERBASIS PENGOLAHAN CITRA DIGITAL

Chairati Chairati
Nur Awalia
Bunga Mawar Jamaluddin
Andi Baso Kaswar
Sasmita Sasmita


DOI: https://doi.org/10.29100/jipi.v9i3.6321

Abstract


Salak (Salacca zalacca) merupakan produk pertanian Indonesia yang populer di seluruh nusantara. Salak mempunyai nilai ekonomi yang tinggi dengan perawatan yang sangat penting untuk memperoleh kualitas yang enak. Masih adanya kendala dalam penentuan rasa salachis yang masih dilakukan secara manual berdasarkan pengalaman dan pengetahuan petani sehingga menyebabkan terjadinya kesalahan dan ketidakkonsistenan dalam klasifikasi. Pada penelitian sebelumnya mengenai klasifikasi rasa mangga menggunakan metode saraf tiruan. Namun keakuratannya masih perlu ditingkatkan. Oleh karena itu, klasifikasi buah salak dilakukan dengan menggunakan algoritma jaringan saraf tiruan (ANN). Beberapa skenario pelatihan dan pengujian dilakukan untuk memilih kombinasi fitur dengan akurasi tinggi dan waktu komputasi tercepat. Diperoleh kombinasi dari tiga fitur yang paling banyak digunakan yaitu fitur bentuk dan warna RGB. Berdasarkan hasil pemeriksaan 160 citra latih, akurasinya mencapai 100% dengan waktu komputasi 512,443 detik untuk seluruh citra. Sementara itu, hasil pengujian 40 gambar uji mencapai akurasi 100%, dan waktu perhitungan seluruh gambar adalah 321,389 detik. Oleh karena itu, dapat dinyatakan bahwa metode yang diterapkan berfungsi sempurna dalam mengklasifikasikan gambar salak berdasarkan warna dan bentuknya.


Keywords


Jaringan Saraf Tiruan; Klasifikasi; Pengolahan Citra; Rasa Buah; Salak

Full Text:

PDF

Article Metrics :

References


Utami, C. R. (2018). Karakteristik minuman probiotik fermentasi Lactobacillus casei dari sari buah salak. Jurnal Teknologi Pangan, 9(1), 1-9.

“Badan Pusat Statistik.” https://dataindonesia.id/agribisnis-kehutanan/detail/produksi-salak-di-indonesia-mencapai-14-juta-ton-pada-2022 (di akses pada 20 maret 2024)

Astiningrum, M. et al. (2019) ‘Ekstraksi Fitur Citra Buah Salak Untuk Penentuan Mutu Buah Salak Menggunakan Pengolahan Citra Digital’, Seminar Informatika Aplikatif Polinema, pp. 205–210.

Yoga, Wahyu, and I. Gusti Agung Yogi Rabani RS. "Analisis Total Fenol, Total Flavonoid, Dan Total Tanin Pada Produk Minuman Probiotik Sari Buah Salak (Salacca Zalaca Var. Ambonensis): Analysis of Phenol Total, Flavonoid Total, and Tanin Total in Probiotic Beverage Products of Salak Fruit (Salacca Zalaca Var. Ambonensis)." Pro Food 8.1 (2022): 69-76.

Fimawahib, L., Lidya, L., & Nurcahyo, G. W. (2019). Penerapan Jaringan Syaraf Tiruan untuk Penentuan Salak Unggul dengan Menggunakan Metode Learning Vector Quantization. Riau Journal Of Computer Science, 5(2), 130-136.

Fadhlul Barkah, M. (2020) ‘Klasifikasi Rasa Buah Jeruk Pontianak Berdasarkan Warna Kulit Buah Jeruk Menggunakan Metode K-Nearest Neighbor’, Coding: Jurnal Komputer dan Aplikasi, 8(1)(01), pp. 55–66.

Rismiyati, R., & Luthfiarta, A. (2021). Vgg16 transfer learning architecture for salak fruit quality classification. Telematika: Jurnal Informatika dan Teknologi Informasi, 18(1), 37-48.

Destyningtias B., Heranurweni S. dan T. Nurhayati. 2010. Segmentasi Citra Dengan Metode Pengambangan. Jurnal Elektrika. Vol.2, No.1, 2010: 39 –49.

JOSHUA, J., & Sinuraya, R. K. (2018). Keanekaragaman Aktivitas Farmakologi Tanaman Salak (Salacca Zalacca). Farmaka, 16(1), 99-107.

Astiningrum, M., Mentari, M., & Maranatha, Y. G. (2019). Ekstraksi Fitur Citra Buah Salak Untuk Penentuan Mutu Buah Salak Menggunakan Pengolahan Citra Digital. In Seminar Informatika Aplikatif Polinema (pp. 205-210).

Fadjeri, A., Kurniatin, L., Ariyanto, D. K. A., & Saputra, B. A. (2023). Analisis Perbandingan Hasil Pengolahan Citra Asli Dan Cropping dalam Identifikasi Karakteristik Tanaman Selada. Jurnal Ilmiah Sinus (JIS) Vol, 21(1).

Amal, I., Muhammad, M., & Kaswar, A. B. (2022). Sistem Pendeteksi Kematangan Buah Tomat Berbasis Pengolahan Citra Digital Menggunakan Metode Jaringan Syaraf Tiruan. Jurnal MediaTIK, 65-69.

Firlansyah, A., Kaswar, A. B., & Risal, A. A. N. (2021). Klasifikasi Tingkat Kematangan Buah Pepaya Berdasarkan Fitur Warna Menggunakan JST. Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi, 6 (2), 55-60.

Anamisa, D. R. (2015). Rancang Bangun Metode OTSU Untuk Deteksi Hemoglobin. S@ Cies, 5 (2), 106–110.

Nurhidayati, N., & Marzuki, I. (2020). Deteksi Otomatis Penyakit Daun Jagung Menggunakan Teknik Klasterisasi Data dan Operasi Morfologi. Energy: Jurnal Ilmiah Ilmu-Ilmu Teknik, 10(1), 25-32.

Dzulqarnain, M. F., Suprapto, S., & Makhrus, F. (2019). Improvement of convolutional neural network accuracy on Salak classification based quality on digital image. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 13(2), 189-198.

Agung, A. S., Dirgantara SR, A. F., Hersyam, M. S., Kaswar, A. B., & Andayani, D. D. (2023). CLASSIFICATION OF TOMATO QUALITY BASED ON COLOR FEATURES AND SKIN CHARACTERISTICS USING IMAGE PROCESSING BASED ARTIFICIAL NEURAL NETWORK. Jurnal Teknik Informatika (Jutif), 4(5), 1021-1032.

LUTVIA, H. (2016). Pengaruh Variasi Waktu Pembalik (Time Inversion) Terhadap Citra Coronal Studi Pemeriksaan MRI Kepala (Doctoral dissertation, Universitas Airlangga).

Sari, Y. A., Dewi, R. K., & Fatichah, C. (2014). Seleksi fitur menggunakan ekstraksi fitur bentuk, warna, dan tekstur dalam sistem temu kembali citra daun. JUTI J. Ilm. Teknol. Inf, 12(1), 1.

Yu, H., & Wilamowski, BM (2018). Pelatihan Levenberg – marquardt. Dalam sistem Cerdas (hlm. 12-1). Pers CRC.