Klasifikasi Kematangan Buah Sawit Berdasarkan Fitur Warna, Bentuk dan Tekstur Menggunakan Algoritma K-NN
DOI:
https://doi.org/10.26418/jp.v9i3.64877Keywords:
Bentuk, Fitur, K-NN, Tekstur, WarnaAbstract
Kelapa sawit merupakan tanaman perkebunan yang menghasilkan CPO (Crude Palm Oil). Kadar CPO dipengaruhi oleh tingkat kematangan buah sawit. Pemanfaatan teknologi dalam melakukan klasifikasi untuk membantu proses memanen buah sawit telah dilakukan beberapa penelitian sebelumnya. Penerapan algoritma klasifikasi seperti SVM, K-Mean Clustering dan Backpropagation telah dilakukan dan mendapatkan hasil yang berbeda-beda. Pada penelitian ini klasifikasi Ekstraksi ciri fitur warna, bentuk dan tektur dilakukan untuk membandingkan pilihan fitur terbaik. Pemilihan fitur ini dilakukan untuk memilih fitur terbaik yang mampu melakukan klasifikasi kematangan buah sawit menggunakan Algoritma K-Nearest Neigbhors. Dimensi citra yang mempengaruhi dalam klasifikasi membuat peneliti melakukan pembuktian dalam pemilihan fitur yang tepat dalam klasifikasi ini. Fitur warna yang digunakan dalam penelitian ini adalah nilai Mean RGB, Standar Deviasi RGB, Entropy RGB dan Skenewss RGB. Fitur Bentuk yang digunakan nilai area, metriks, perimeter, mayor axis, minor axis dan nilai eccentricity. Fitur tektur yang digunakan nilai Mean Greyscale, Standar Deviasi Greyscale, contrast, correlation, energy dan homogeneity. Data yang digunakan dalam penelitian ini adalah sebanyak 230 citra terbagi kedalam 200 citra latih 100 citra matang, 100 citra mentah. Data uji digunakan sebanyak 30 citra yaitu 15 matang dan 15 citra mentah. Hasil klasifikasi terbaik dalam penelitian ini adalah penerapan pada fitur Warna dengan K = 1, 3, 4, 5 dan 7 sebesar 96.6%, fitur Tektur dengan K = 6 sebesar 66% dan fitur Bentuk dengan K = 1 sebesar 73.3%.
References
U. Adlin, “Kelapa Sawit (Elaeis Guineensis) di Indonesia.†Pusat Penelitian Kelapa Sawit Medan, 2008.
T. M. Pasya, “PENGOLAHAN CITRA BUAH KELAPA SAWIT UNTUK MENENTUKAN TINGKAT KEMATANGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN,†pp. 1–14, 2017.
A. W. Putra, “Klasifikasi kematangan buah kelapa sawit menggunakan metode support vector machine (svm),†2022.
R. Salambue and M. Shiddiq, “Klasifikasi kematangan buah sawit menggunakan model warna RGB,†2019.
W. E. Sari, M. Muslimin, A. Franz, and P. Sugiartawan, “Deteksi Tingkat Kematangan Tandan Buah Segar Kelapa Sawit dengan Algoritme K-Means,†SINTECH (Science Inf. Technol. J., vol. 5, no. 2, pp. 154–164, 2022, doi: 10.31598/sintechjournal.v5i2.1146.
M. Rifqi, M. Akbar, and Y. Fitrisia, “Aplikasi Pendeteksian Kematangan Tandan Buah Segar (TBS) Kelapa Sawit Berdasarkan Komposisi Warna Menggunakan Algoritma K-NN,†J. Komput. Terap., vol. 6, no. 1, pp. 99–107, 2020.
E. F. Himmah, M. Widyaningsih, and Mayasaroh, “Identifikasi kematangan buah kelapa sawit berdasarkan warna RGB dan HSV menggunakan metode K-Means Clustering,†J. Sains dan Inform., vol. 6, no. 2, pp. 193–202, 2020.
I. F. Ningsih and R. Salambue, “Klasifikasi Kematangan Buah Sawit Dengan Jaringan Syaraf Tiruan Metode Perceptron,†Repository.Unri.Ac.Id, pp. 1–15, 2021, [Online]. Available: https://repository.unri.ac.id/handle/123456789/10188.
A. R. Fahlawi, “Klasifikasi Kematangan Tandan Buah Segar (Tbs) Kelapa Sawit Dengan Bio Speckle Imaging Menggunakan Metode K-Means Clustering,†2019.
O. D. Nugraheni., I. W. Astika., and I. D. M. Subrata., “Klasifikasi Inti Sawit Berdasarkan Analisis Tekstur dan Morfologi Menggunakan K-Nearest Neighborhood (KNN),†Angew. Chemie Int. Ed. 6(11), 951–952., vol. 5, no. 1, pp. 113–120, 2017.
Sukemi and E. Sukrisno, “Identification using the K -Means Clustering and Gray Level Co-occurance Matrix (GLCM) At Maturity Fruit Oil Head,†Proc. 2019 4th Int. Conf. Informatics Comput. ICIC 2019, 2019, doi: 10.1109/ICIC47613.2019.8985681.
A. Septiarini, H. Hamdani, H. R. Hatta, and A. A. Kasim, “Image-based processing for ripeness classification of oil palm fruit,†Proceeding - 2019 5th Int. Conf. Sci. Inf. Technol. Embrac. Ind. 4.0 Towar. Innov. Cyber Phys. Syst. ICSITech 2019, pp. 23–26, 2019, doi: 10.1109/ICSITech46713.2019.8987575.
C. Prasad, V. K. Balakandan, P. V. Moorthy, and S. Kochuvila, “Classification of sEMG signals for controlling of a prosthetic foot using SVM and KNN,†2019 Int. Conf. Intell. Comput. Control Syst. ICCS 2019, no. Iciccs, pp. 454–458, 2019, doi: 10.1109/ICCS45141.2019.9065394.
A. H. As, W. Ja, and M. F. Rahman, “Jurnal Teknologi dan Manajemen Informatika Penentuan Metode Terbaik Dalam Menentukan Jenis Pohon Pisang Menurut Tekstur Daun ( Metode K-NN dan SVM ),†J. Teknol. dan Manaj. Inform., vol. 6, no. 2, pp. 128–136, 2020.
Y. E. Yana and N. Nafi’iyah, “Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN,†Res. J. Comput. Inf. Syst. Technol. Manag., vol. 4, no. 1, p. 28, 2021, doi: 10.25273/research.v4i1.6687.
L. Farokhah, “IMPLEMENTASI K-NEAREST NEIGHBOR UNTUK KLASIFIKASI BUNGA IMPLEMENTATION OF K-NEAREST NEIGHBOR FOR FLOWER CLASSIFICATION WITH EXTRACTION OF RGB COLOR FEATURES,†vol. 7, no. 6, pp. 1129–1136, 2020, doi: 10.25126/jtiik.202072608.
S. F. Kusuma, R. E. Pawening, and R. Dijaya, “Otomatisasi klasifikasi kematangan buah mengkudu berdasarkan warna dan tekstur,†Regist. J. Ilm. Teknol. Sist. Inf., vol. 3, no. 1, p. 17, 2017, doi: 10.26594/r.v3i1.576.
Fauziah, M. A. Tiro, and Ruliana, “Comparison of k-Nearest Neighbor (k-NN) and Support Vector Machine (SVM) Methods for Classification of Poverty Data in Papua,†ARRUS J. Math. Appl. Sci., vol. 2, no. 2, pp. 83–91, 2022, doi: 10.35877/mathscience741.
