Implementasi Convolutional Neural Network dalam Menentukan Tingkat Kematangan Jeruk Siam Pontianak Berdasarkan Citra

Authors

  • Yuris Sutanto Tanjungpura University
  • Cindy Priscilla H. Tanjungpura University
  • Nurhasanah Nurhasanah
  • Dwiria Wahyuni
  • Yudha Arman
  • Hasanuddin Hasanuddin

DOI:

https://doi.org/10.26418/positron.v12i2.64594

Keywords:

convolutional neural network, gray level co-occurance matrix, pontianak siamese orange, k-means clustering, sugar level

Abstract

Pada umumnya, pemilihan jeruk dilakukan secara manual menggunakan pengamatan berdasarkan tingkat kematangannnya. Namun cara tersebut dianggap kurang efektif karena membutuhkan waktu lama dan tingkat keakuratan yang berbeda. Seiring berkembangnya teknologi, cara alternatif yang dapat dilakukan untuk mengidentifikasi suatu objek adalah dengan melakukan pengolahan citra. Penelitian ini bertujuan untuk mengkomparasi tingkat kematangan jeruk siam Pontianak berdasarkan citra menggunakan metode Convolutional Neural Network (CNN). Citra jeruk akan dibagi menjadi 2 kelas (belum matang dan sudah matang) dan 3 kelas (belum matang, tepat matang, dan terlalu matang). Citra yang digunakan sebanyak 120 data yang diambil menggunakan kamera smartphone. Pembagian citra dilakukan dengan menggunakan metode k-means clustering yang parameter pengelompokannya berdasarkan data hasil pengukuran kadar gula jeruk siam Pontianak dan data hasil ekstraksi fitur menggunakan metode Gray Level Co-occurrence Matrix (GLCM). Citra yang telah dikelompokkan akan di komparasi menggunakan metode CNN. Hasil akurasi yang diperoleh adalah 75% untuk citra berdasarkan data gula dengan 3 kelas, untuk citra berdasarkan data GLCM dengan 3 kelas sebesar 41.67% dan untuk 2 kelas sebesar 77.38%. Hasil tersebut mampu untuk menentukan tingkat kematangan buah jeruk. Akan tetapi berdasarkan parameter karakteristik, CNN hanya mampu mendapatkan akurasi yang baik pada 2 kelas saja

References

M. F. Barkah, “Klasifikasi Rasa Buah Jeruk Pontianak Berdasarkan Warna Kulit Buah Jeruk Menggunakan Metode K-Nearest Neighbor,†Coding: Jurnal Komputer dan Aplikasi, vol. 08, no. 01, hlm. 55–66, 2020.

Iman, Nurhasanah, dan J. Sampurno, “Analisis Fraktal untuk Identifikasi Kadar Gula Rambutan dengan Metode Box-Counting,†Prisma Fisika, vol. VI, no. 2, hlm. 57–60, 2018.

J. Rio, F. Redha, B. Meuthia, dan H. Sa’diah, “PENGARUH PENAMBAHAN KONSENTRASI GULA DAN SARI JERUK NIPIS TERHADAP MUTU SIRUP BUAH KESEMEK (Diospyrus kaki),†Majalah Biam, 2020.

D. R. Sya’bani, A. Hamzah, dan E. Susanti, “Klasifikasi Buah Segar dan Busuk Menggunakan Algoritma Convolutional Neural Network dengan TFLite sebagai Media Penerapan Model Machine Learning,†Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST), no. November, hlm. 7–16, 2022.

D. M. Asriny, S. Rani, dan A. F. Hidayatullah, “Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Mikroskopis Stomata Tanaman Herbal Curcuma,†hlm. 1–5, 2019.

B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, dan R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,†INOVTEK Polbeng - Seri Informatika, vol. 6, no. 2, hlm. 259–268, 2021, doi: 10.35314/isi.v6i2.2104.

R. Widodo, A. W. Widodo, dan A. Supriyanto, “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu,†Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 11, hlm. 5769–5776, 2018.

G. T. Situmorang, A. W. Widodo, dan Muh. A. Rahman, “Penerapan Metode Gray Level Co-occurrence Matrix ( GLCM ) untuk ekstraksi ciri pada telapak tangan,†Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 5, hlm. 4710–4716, 2019.

Z. Y. Lamasgi, Serwin, Y. Lasena, dan Husdi, “Identifikasi Tingkat Kesegaran Ikan Tuna Menggunakan Metode GLCM dan KNN,†Jambura Journal of Electrical and Electronics Engineering, vol. 4, hlm. 70–76, 2022, doi: 10.37905/jjeee.v4i1.12045.

J. Wandana, S. Defit, dan Sumijan, “Klasterisasi Data Rekam Medis Pasien Pengguna Layanan BPJS Kesehatan Menggunakan Metode K-Means,†Jurnal Informasi dan Teknologi, vol. 2, no. 4, hlm. 119–125, 2020, doi: 10.37034/jidt.v2i4.73.

Darmansah dan N. W. Wardani, “Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means,†JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 2, hlm. 126–134, 2020, doi: 10.35957/jatisi.v7i2.309.

P. N. Andono dan E. H. Rachmawanto, “Evaluasi Ekstraksi Fitur GLCM dan LBP Menggunakan Multikernel SVM untuk Klasifikasi Batik,†Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, hlm. 1–9, 2021, doi: 10.29207/resti.v5i1.2615.

J. Sumarah dan A. T. Wulandari, “Pemanfaatan Algoritma K-Means untuk Pengelompokkan Angka Partisipasi Sekolah di Jawa Tengah,†Jurnal Media Informatika Budidarma, vol. 5, no. 4, hlm. 1507–1518, 2021, doi: 10.30865/mib.v5i4.3277.

D. Iswantoro dan D. H. UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),†Jurnal Ilmiah Universitas Batanghari Jambi, vol. 22, no. 2, hlm. 900–905, 2022, doi: 10.33087/jiubj.v22i2.2065.

D. Setiawan, A. D. Putra, K. Stefani, dan J. Felisa, “Implementasi Convolutional Neural Network untuk Facial Recognition,†Media Informatika, vol. 20, no. 2, hlm. 66–79, 2021.

F. Paraijun, R. N. Aziza, dan D. Kuswardani, “Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Kesegaran Buah Berdasarkan Citra Buah,†Kilat, vol. 11, no. 1, hlm. 1–9, 2022.

Downloads

Published

2022-11-30

Issue

Vol. 12 No. 2 (2022): Vol. 12 No. 2 Edition

Section

Articles

License

Authors who publish with this journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

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