Analisis Citra Mikroskopik Beras Organik dan Non-Organik Berdasarkan Fitur Tekstur Menggunakan Metode K-Nearest Neighbor

Meidina Revi Sandra Pertiwi, Supatman Supatman

Abstract


Beras merupakan salah satu bahan pangan pokok selain gandum, terutama di Benua Asia yang sebagian besar penduduknya mengonsumsi beras. Beras organik dan non-organik tersedia di pasaran, namun konsumen kesulitan membedakannya. Penelitian ini bertujuan untuk menganalisis citra mikroskopik antara beras organik dan non-organik berdasarkan tekstur. Metode yang digunakan mencakup ekstraksi fitur tekstur Gray Level Co-occurrence Matrix (GLCM) dan wavelet, serta klasifikasi menggunakan K-Nearest Neighbor (KNN). Fitur GLCM yang diekstraksi meliputi contrast, homogeneity, energy, dan correlation, sedangkan fitur wavelet diperoleh dari empat sub-band, yaitu LL, LH, HL, dan HH dengan parameter mean, standard deviation, maximum, dan minimum. Dataset penelitian terdiri dari 600 citra beras organik dan non-organik dengan resolusi 640 × 480 piksel yang diambil menggunakan mikroskop digital. Citra tersebut kemudian diproses melalui tahapan cropping, konversi ke grayscale, dilanjutkan dengan ekstraksi fitur, dan klasifikasi menggunakan KNN. Hasil penelitian menunjukkan bahwa penggunaan fitur GLCM menghasilkan akurasi sebesar 0,8111 dengan nilai K=6. Penggunaan fitur wavelet menghasilkan akurasi sebesar 0,8222 dengan nilai K=10. Sementara itu, kombinasi fitur GLCM dan wavelet menghasilkan akurasi tertinggi sebesar 0,8389 dengan nilai K=24. Hasil penelitian ini menunjukkan bahwa beras organik dan non-organik dapat diklasifikasikan melalui analisis tekstur permukaannya, sehingga temuan ini dapat menjadi dasar dalam pengembangan perangkat lunak untuk identifikasi beras organik dan non-organik.

Keywords


Beras Organik; Citra Mikroskopik; GLCM; K-Nearest Neighbor; Wavelet

Full Text:

PDF

References


A. Setiawan, K. Adi, and C. Edi Widodo, “Identification Texture of Rice Varieties by Feature Extraction using GLCM,” E3S Web Conf., vol. 448, 2023, doi: 10.1051/e3sconf/202344802063.

R. Nurfalah, Dwiza Riana, and Anton, “Identifikasi Citra Beras Menggunakan Algoritma Multi-SVM Dan Neural Network Pada Segmentasi K-Means,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 55–62, 2021, doi: 10.29207/resti.v5i1.2721.

Y. Zamrodah, “FAKTOR-FAKTOR YANG MEMPENGARUHI KONSUMEN TERHADAP PEMBELIAN BERAS ORGANIK (Studi kasus di Kecamatan Selopuro Kabupaten Blitar),” VIABEL J. Ilm. Ilmu-Ilmu Pertan., vol. 15, no. 2, pp. 49–57, 2021, doi: 10.35457/viabel.v15i2.1771.

I. A. Made, D. Susanti, N. P. Sukanteri, I. Made Budiasa, and K. Jaiman, “Persepsi Konsumen terhadap Beras Organik Mentik Susu,” J. Agribisnis, vol. 25, no. 1, pp. 62–73, 2023, [Online]. Available: https://doi.org/10.31849/agr.v25i1.13119

T. Penulis, G. B. Aji, S. Wangsit, V. Ningrum, and P. Kolaborasi, “Reorientasi Kebijakan Pertanian Organik Sesudah ‘Go Organik 2010’ dan ‘Program Seribu Desa Pertanian Organik’ di Indonesia,” Makal. Kebijak., no. February, pp. 1–50, 2019, [Online]. Available: https://aoi.ngo/wp-content/uploads/2022/04/Policy-Paper-AOI.pdf

U. Jakiyah, L. M. Baga, and N. Tinaprilla, “Dampak Kebijakan Pemerintah Terhadap Usaha Tani Beras Organik Di Provinsi Jawa Barat,” Bul. Ilm. Litbang Perdagang., vol. 10, no. 1, pp. 129–146, 2016, doi: 10.30908/bilp.v10i1.34.

R. Ardiansyah and E. Itje Sela, “Implementasi Convolutional Neural Network Untuk Klasifikasi Jenis Beras Berdasarkan Citra Digital,” Indones. J. Comput. Sci., vol. 12, no. 6, pp. 4172–4182, 2023, doi: 10.33022/ijcs.v12i6.3520.

S. Tegar Prabowo and W. Hadikurniawati, “Deteksi Dan Pengenalan Jenis Beras Menggunakan Metode Convolutional Neural Network,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 163–167, 2023, doi: 10.36040/jati.v7i1.6150.

K. S. H. Robert Singh and S. Chaudhury, “Classification of rice grain using wavelet decomposition: A comparative study,” J. Eng. Sci. Technol., vol. 15, no. 1, pp. 108–127, 2020.

A. Prabowo, D. Erwanto, and P. N. Rahayu, “Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Ekstraksi Tekstur GLCM dan KNN Freshness Classification of Beef Using GLCM Texture Extraction Method and KNN,” Elektro Luceat, vol. 7, no. 1, pp. 74–81, 2021.

Y. F. Achmad, A. Yulfitri, and P. Maharani, “Penerapan Algoritma GLCM dan KNN dalam Pengenalan Jenis Jerawat,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, pp. 74–82, 2022, doi: 10.31603/komtika.v6i2.8078.

B. Zaman, “Komparasi Metode Klasifikasi Batik Menggunakan Neural Network Dan K-Nearest Neighbor Berbasis Ekstraksi Fitur Tekstur,” J. Nas. Pendidik. Tek. Inform., vol. 11, no. 1, p. 13, 2022, doi: 10.23887/janapati.v11i1.41220.

J. P. Wiastopo and I. Imelda, “Deteksi Kesegaran Ikan Kembung dengan Metode KNN Berdasarkan Fitur GLCM dan RGB-HSV,” vol. 13, no. September, pp. 10–16, 2024.

C. Neural and N. Cnn, “Inovasi Pendidikan Nusantara Inovasi Pendidikan Nusantara,” vol. 6, no. 1, pp. 523–539, 2025.

B. Zaman, A. Rifai, and M. B. Hanif, “Komparasi Metode Klasifikasi Batik Menggunakan Neural Network Dan K-Nearest Neighbor Berbasis Ekstraksi Fitur Tekstur,” J. Inf. Syst. Informatics, vol. 3, no. 4, pp. 582–595, 2021, doi: 10.51519/journalisi.v3i4.213.

M. R. Dwimahendra et al., “Klasifikasi jenis kayu berdasarkan citra serat kayu menggunakan convolutional neural network,” vol. 8, no. 3, pp. 110–118, 2019.

A. Rahman, F. Darnis, Y. Ansori, F. Teknik, U. Sultan, and A. Tirtayasa, “url : http://studentjournal.umpo.ac.id/index.php/komputek,” pp. 19–26, 2024.

Z. Y. Lamasigi, S. -, H. -, and Y. Lasena, “Identifikasi Tingkat Kesegaran Ikan Tuna Menggunakan Metode GLCM dan KNN,” Jambura J. Electr. Electron. Eng., vol. 4, no. 1, pp. 70–76, 2022, doi: 10.37905/jjeee.v4i1.12045.

S. S. Panna, A. Alhamad, and K. C. Pelangi, “Pengenalan Ekspresi Wajah Pengemudi Berbasis Fitur Eigenface dan Gray Level Co-Occurance Matrice,” J. Edukasi dan Penelit. Inform., vol. 9, no. 2, p. 277, 2023, doi: 10.26418/jp.v9i2.61857.

F. E. Alfian, I. G. P. S. Wijaya, and F. Bimantoro, “Identifikasi Iris Mata Menggunakan Metode Wavelet Daubechies dan K-Nearest Neighbor,” J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 2, no. 1, pp. 1–10, 2020, doi: 10.29303/jtika.v2i1.76.

R. Islamadina, F. Arnia, and K. Munadi, “Penggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil,” J. Buana Inform., vol. 6, no. 2, pp. 143–152, 2015, doi: 10.24002/jbi.v6i2.405.

T. Brian, E. N. Sholikhah, A. Nur, and A. Maulidhia, “Application of K-Nearest Neighbor ( KNN ) Algorithm to Predict Drinking Water Quality”.




DOI: https://doi.org/10.29100/jipi.v11i2.7808

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.