Pengaruh Cahaya dan Kualitas Citra dalam Klasifikasi Kematangan Pisang Cavendish Berdasarkan Ciri Warna Menggunakan Artificial Neural Network

Aditya Dwi Putro; Arief Hermawan

doi:10.30812/matrik.v21i1.1396

Aditya Dwi Putro Universitas Teknologi Yogyakarta
Arief Hermawan Universitas Teknologi Yogyakarta

DOI: https://doi.org/10.30812/matrik.v21i1.1396

Keywords: Intensitas Cahaya, Kualitas Citra, Kematangan Pisang, Artificial Neural Network.

Abstract

Buah pisang merupakan komoditas yang memberikan kontribusi besar terhadap angka produksi buah nasional maupun internasional. Pemerintah melalui Badan Standarisasi Nasional menetapkan standar untuk buah pisang, menjaga mutu buah pisang. Tujuan dari penelitian ini adalah menganalisa pengaruh cahaya dan kualitas citra dalam mengklasifikasikan tingkat kematangan buah pisang berdasarkan ciri warna buah pisang di Kebun Pisang Cavendish kabupaten banyumas jawa tengah sesuai dengan SNI 7422:2009[1]. Pisang yang terdapat di Kebun Pisang Cavendish ini beraneka ragam kualitas, sebagai buah lokal yang memiliki nilai ekonomi tinggi dan memiliki potensi pasar yang masih terbuka luas, pisang menjadi salah satu komoditas buah-buahan yang dapat diandalkan. Permasalahan yang sering ditemukan selain resource dan ketelitian yakni kurang tepatnya dan kurang pengetahuannya karyawan dalam membedakan tingkat kematangan pisang terutama karyawan baru. Artificial Neural Network digunakan sebagai metode dalam proses pengklasifikasian. Dataset pada penelitian ini adalah 80 citra buah pisang yang diambil per tandan terdiri dari 40 tandan citra pisang Cavendish yang diambil di pagi hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20, 40 tandan citra pisang Cavendish yang diambil di sore hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20. Tingkat kematangan pisang pada penelitian ini yaitu mentah dan matang. pengujian menghasilkan Akurasi tertinggi dalam proses klasifikasi kategori buah pisang cavendish menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 dengan jumlah akurasi sebesar 100% dengan model trainlm dan waktu 1.6 detik.

Downloads

Download data is not yet available.

References

[1] I. Najiah, I. Hariyanti, A. R. Sanjaya, A. R. Sanjaya, K. P. Celak, and D. K. Pisang, “Deteksi Jenis dan Kematangan Pisang Menggunakan Metode Extreme Learning”, Journal Responsif, vol. 2, no. 2, pp. 232–242, Agustus, 2020.
[2] Y. Zhang, J. Gao, and H. Zhou, “Breeds Classification with Deep Convolutional Neural Network,” Association for Computing Machinery, February 15–17, February, 2020.
[3] Q. Zhang, M. Zhang, T. Chen, Z. Sun, Y. Ma, and B. Yu, “Recent Advances in Convolutional Neural Network Acceleration”, Neurocomputing, July, 2018.
[4] F. Emmert-Streib, Z. Yang, H. Feng, S. Tripathi, and M. Dehmer, “An Introductory Review of Deep Learning for Prediction Models With Big Data,” Journal Frontiers in Artificial Intelligence, vol. 3, no. 2, pp. 1–23, Februari,2020.
[5] N. Augustien, N. Triani, Sukendah, N. Budi, and Rahayuningsih, “Aklimatisasi Plantlet Pisang Cavendish ( Musa TANAM Cavendish Banana ( Musa acuminata )” ,Gontor AGROTECH Science Journal, vol. 5, no. 2, pp. 111–126, Desember 2020.
[6] H. H. Setiawan, “Klasifikasi Jenis Buah Pisang Dengan Image Processing Menggunakan Methode Classification Of Type Of Banana Fruits With Image Processing Using Backpropagation Method,” Univ. Sanata Dharma, 2018.
[7] Indarto and Murinto, “Deteksi Kematangan Buah Pisang Berdasarkan Fitur Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang Warna HIS,” Journal JUITA J. Inform., vol. 5, no. 1, pp. 15–21, Mei, 2017.
[8] D. Yulianto, R. N. Whidhiasih, and M. Maimunah, “Klasifikasi Tahap Kematangan Pisang Ambon Berdasarkan Warna Menggunakan Naive Bayes,” Jurnal Penelitian Ilmu Komputer, Sistem Embedded & Logic., vol. 5, no. 2, pp. 60–67, ,Desember, 2018.
[9] N. N. Yusuf Eka Yana, “Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN,” Journal of Computer, Information System & Technology Management., vol. 4, no. 1, p. 5, November, 2021.
[10] M. B. Sholahuddin, “Analisa Perubahan Warna Hsv Pada Pengolahan Citra Terhadap Intensitas Cahaya Sebagai Dasar Penerapan Masukan Kontrol Automatic Stacking Crane,” Institut Teknologi Sepuluh Nopember, 2017, pp 33-42.
[11] A. Ridho, S. Aryanto, K. Marzuki, and M. M. Dewi, “Konsep Desain Proses Website Edukasi Matematika Bangun Ruang dengan Teknologi 3D Interaktif,” Seminar Nasional Teknologi Informasi dan Multimedia,pp. 36-78, 4 Februari ,2017.
[12] F. Timorremboko and O. T. Karya, “Implementasi Jaringan Syaraf Tiruan Pada Kendali Lampu Sorot Mobil Adaptif Berbasis Python,” Journal Teknologi Elektro (JTE), Vol. 11, No. 03, pp. 142-147, September, 2020.
[13] Adi Pamungkas, “Ekstraksi Ciri Citra,” https://pemrogramanmatlab.com, 2019. https://pemrogramanmatlab.com/ pengolahan-citra-digital/ekstraksi-ciri-citra-digital/.
[14] J. Jamaludin, C. Rozikin, and A. S. Y. Irawan, “Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation”, Jurnal Ilmiah Elektroteknika, vol. 20, no. 1, pp. 1–12, April, 2021.
[16] I. Sabilla, Ahmad, “Arsitektur Convolutional Neural Network (Cnn) untuk Klasifikasi Jenis Dan Kesegaran Buah Pada Neraca Buah,” Institut Teknologi Sepuluh Nopember, pp. 1–119, 2020.
[17] A. Gide, “Computational Discrete And Geometry,” Angew. Chemie Int. Ed. 6(11), 951–952., pp. 5–24, 2018.
[18] L. J. Catania, Š,"Understanding Artificial Intelligence (AI), Fundamentals,Use Cases and Methods for a Corporate AI Journey, Springer, pp. 68-76, 2021.