Deteksi Kematangan Buah Melon Dengan Algoritma Support Vector Machine Berbasis Ekstraksi Fitur GLCM
Sari
Abstrak - Melon merupakan tanaman buah yang termasuk kedalam suku labu-labuan, banyak petani di negara tropis khususnya indonesia mengembangkan budidaya buah melon. Kematangan buah melon menjadi salahsatu tolak ukur keberhasilan panen pertanian melon, namun terdapat permasalahan dalam menentukan kualitas kematangan buah melon karena panen buah melon lebih awal akan menyebabkan rendahnya kualitas sedangkan panen melebihi waktu panen akan menyebabkan pendeknya umur penyimpanan. Analisa berdasarkan tekstur perlu dilakukan dalam menentukan kematangan buah melon, teknik GLCM akan menjadi solusi dalam Analisa tekstur berdasarkan citra digital, Selain Analisa tektur, pada penelitian ini akan menerapkan algoritma Support Vector Machine (SVM), SVM mampu mengatasi klasifikasi citra digital, ada empat fungsi kernel pada algoritma SVM yang akan digunakan yaitu linear, polynomial, sigmoid dan RBF. Dengan jumlah data sebanyak 650 citra buah melon yang terbagi kedalam 250 citra matang, 200 citra setengah matang dan 200 citra tidak matang dan pengujian data citra dibagi menjadi dua bagian yaitu 80% untuk data tranning sedangkan 20% untuk data testing, didapat hasil pengujian dalam percobaan dua sudut GLCM dan empat fungsi kernel SVM. Didapat nilai akurasi, recall dan precision yang paling baik nilainya yaitu pada fungsi kernel linier dan pada delapan sudut GLCM dengan nilai akurasi 80%, Precision 81% recall 80 %.
Teks Lengkap:
PDFReferensi
Abidzar Tawakal, H., & Prayoga, A. (2019). The Development of Methods for Detecting Melon Maturity Level Based on Fruit Skin Texture Using the Histogram of Oriented Gradients and the Support Vector Machine. Proceedings of 2019 4th International Conference on Informatics and Computing, ICIC 2019, 1–4. https://doi.org/10.1109/ICIC47613.2019.8985953
Agusta, W., & Ahmad, U. (2016). Study on Golden Apollo Melon Ripeness Level Using Acoustic Impulse Parameters. Jurnal Keteknikan Pertanian, 04(2), 1–8. https://doi.org/10.19028/jtep.04.2.195-202
Ahmad, U., & Sabihah, . (2018). Prediction of Ripeness Parameters of Melon Fruit Using Near Infra-red Spectroscopy. Jurnal Ilmu Pertanian Indonesia, 23(3), 183–189. https://doi.org/10.18343/jipi.23.3.183
Ainurrohmah. (2021). Akurasi Algoritma Klasifikasi pada Software Rapidminer dan Weka. Prisma, 4, 493–499. Retrieved from https://journal.unnes.ac.id/sju/index.php/prisma/
Alqoria, N. T., & Utaminingrum, F. (2021). Rancang Bangun Sistem Deteksi Kemanisan Buah Melon Menggunakan Gray Level Co-occurrence Matrix dan Support Vector Machine. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(6), 2472–2477. Retrieved from http://j-ptiik.ub.ac.id
Arifianto, T., Sunaryo, S., & Moonlight, L. S. (2022). Penggunaan Metode Support Vector Machine ( Svm ) Pada. Jurnal Jteknik Informatika Dan Teknologi Informasi, 2(2), 3–6.
Awasthi, S. (2020). Seven Most Popular SVM Kernels. Retrieved from dataaspirant.com website: https://dataaspirant.com/svm-kernels/
Ayu, K. S., & Utaminingrum, F. (2021). Rancang Bangun Sistem Tingkat Kemanisan Buah Sky Rocket Melon menggunakan Metode Gray Level Co-Occurrence Matrix dan Backpropagation Neural Network. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(8), 3349–3355. Retrieved from http://j-ptiik.ub.ac.id
Badan Pusat Statistik. (2021). Produksi Tanaman Buah-Buahan 2021. Retrieved from https://www.bps.go.id/indicator/55/62/1/produksi-tanaman-buah-
Daryono, B. S., & Maryanto, S. D. (2018). Keanekaragaman dan potensi sumber daya genetik melon. Yogyakarta: UGM Press.
Gao, K., Mei, G., Piccialli, F., Cuomo, S., Tu, J., & Huo, Z. (2020). Julia language in machine learning: Algorithms, applications, and open issues. Computer Science Review, 37, 100254. https://doi.org/10.1016/j.cosrev.2020.100254
Ginting, R. R., Sitawati, S., & Heddy, Y. B. S. (2015). Efikasi Zat Pengatur Tumbuh Etefon Untuk Mempercepat Pemasakan Buah Melon (Cucumis Melo L.). Jurnal Produksi Tanaman. Retrieved from http://protan.studentjournal.ub.ac.id/index.php/protan/article/view/184
Hadiwijaya, Y., Kusumiyati, K., & Munawar, A. A. (2020). PREDIKSI TOTAL PADATAN TERLARUT BUAH MELON GOLDEN (Cucumis melo L.) MENGGUNAKAN VIS-SWNIRS DAN ANALISIS MULTIVARIAT. Jurnal Penelitian Saintek, 25(2), 103–114. https://doi.org/10.21831/jps.v25i2.34487
Heryandi Suradiradja, K., Pamulang, U., Raya Puspiptek, J., Pamulang, K., & Tangerang Selatan, K. (2021). Algoritme Machine Learning Multi-Layer Perceptron dan Recurrent Neural Network untuk Prediksi Harga Cabai Merah Besar di Kota Tangerang. Faktor Exacta, 14(4), 1979–276. https://doi.org/10.30998/faktorexacta.v14i4.10376
Himawan, K., Maulana, E., & Utaminingrum, F. (2022). Rancang Bangun Sistem Deteksi Tingkat Kemanisan Buah Melon (Sky Rocket) dengan Metode Gray Level Co-Occurrence Matrix (GLCM) dan Decision Tree. 6(2), 923–928. Retrieved from http://j-ptiik.ub.ac.id
I. Ruth Simatupang, Bambang. H, S. (2015). Deteksi Pulpitis Melalui Periapikal Radiograph Pada Domain Spasial Dengan Metode Glcm Dan Klasifikasi Fuzzy K-Nearest Neighbour Berbasis Android Detection of Pulpitis Via Radiograph Periapical Based on Android in Spatial Domain Using Glcm Method and Fuzzy. E-Proceeding of Engineering, 2(2), 2809–2816.
Liyantoko, A. N., Candradewi, I., & Harjoko, A. (2019). Klasifikasi Sel Darah Putih dan Sel Limfoblas Menggunakan Metode Multilayer Perceptron Backpropagation. IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), 9(2), 173. https://doi.org/10.22146/ijeis.49943
Mulyana, D. I., Akbar, A., & Zikri, M. (2022). Optimasi Klasifikasi Buah Anggur Menggunakan Data Augmentasi dan Convolutional Neural Network. 11(2), 148–161.
Neneng, N., Adi, K., & Isnanto, R. (2016). Support Vector Machine Untuk Klasifikasi Citra Jenis Daging Berdasarkan Tekstur Menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrices (GLCM). Jurnal Sistem Informasi Bisnis, 6(1), 1. https://doi.org/10.21456/vol6iss1pp1-10
Praghakusma, A. Z., & Charibaldi, N. (2021). Komparasi Fungsi Kernel Metode Support Vector Machine untuk Analisis Sentimen Instagram dan Twitter (Studi Kasus : Komisi Pemberantasan Korupsi). JSTIE (Jurnal Sarjana Teknik Informatika) (E-Journal), 9(2), 88. https://doi.org/10.12928/jstie.v9i2.20181
Praseptiyana, W. I., Widodo, A. W., & Rahman, M. A. (2019). Pemanfaatan Ciri Gray Level Co-occurrence Matrix ( GLCM ) Untuk Deteksi Melasma Pada Citra Wajah. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(11), 10402–10409.
Prayoga, A., Tawakal, H. A., & Aldiansyah, R. (2018). Pengembangan Metode Deteksi Tingkat Kematangan Buah Melon Berdasarkan Tekstur Kulit Buah Dengan Menggunakan Metode Ekstraksi Ciri Statistik Dan Support Vector Machine (Svm). Jurnal Teknologi Terpadu, 4(1), 24–30. https://doi.org/10.54914/jtt.v4i1.112
Purwandari, E. P., Hasibuan, R. U., & Andreswari, D. (2018). Identifikasi Jenis Bambu Berdasarkan Tekstur Daun dengan Metode Gray Level Co-Occurrence Matrix dan Gray Level Run Length Matrix. Jurnal Teknologi Dan Sistem Komputer, 6(4), 146–151. https://doi.org/10.14710/jtsiskom.6.4.2018.146-151
Roberti de Siqueira, F., Robson Schwartz, W., & Pedrini, H. (2013). Multi-scale gray level co-occurrence matrices for texture description. Neurocomputing, 120, 336–345. https://doi.org/10.1016/j.neucom.2012.09.042
Saputra, R A, Suharyanto, Wasiyanti, S., Saefudin, D. F., Supriyatna, A., & Wibowo, A. (2020). Rice Leaf Disease Image Classifications Using KNN Based On GLCM Feature Extraction. Journal of Physics: Conference Series, 1641, 012080. https://doi.org/10.1088/1742-6596/1641/1/012080
Saputra, Rizal Amegia, Puspitasari, D., Wahyudi, M., Ramdhani, S., & Ramanda, K. (n.d.). Optimization the Naive Bayes Algorithm Using Particle Swarm Optimization Feature Selection and Bagging Techniques for Detection of Alzheimer ’ s Disease.
Schwartz, W. R., & Pedrini, H. (2006). Textured Image Segmentation Based on Spatial Dependence using a Markov Random Field Model. 2006 International Conference on Image Processing, 2449–2452. IEEE. https://doi.org/10.1109/ICIP.2006.312772
Simanjuntak, T. I., Suwilo, S., & Sembiring, R. W. (2019). Analysis of Detection of Drow and Entire Co-Occurrence Matrix GLCM Method on The Classification of Image. Journal of Physics: Conference Series, 1361(1), 012028. https://doi.org/10.1088/1742-6596/1361/1/012028
Widodo, R., Widodo, A. W., & Supriyanto, A. (2018). 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, 2(11), 5769–5776. Retrieved from https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3420
Widodo, W. D., Suketi, K., & Rahardjo, R. (2019). Evaluasi Kematangan Pascapanen Pisang Barangan untuk Menentukan Waktu Panen Terbaik Berdasarkan Akumulasi Satuan Panas. Buletin Agrohorti, 7(2), 162–171. https://doi.org/10.29244/agrob.7.2.162-171
Yana, Y. E., & Nafi’iyah, N. (2021). Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN. RESEARCH : Journal of Computer, Information System & Technology Management, 4(1), 28. https://doi.org/10.25273/research.v4i1.6687
Zheng, Y. Y., Kong, J. L., Jin, X. B., Wang, X. Y., Su, T. L., & Zuo, M. (2019). Cropdeep: The crop vision dataset for deep-learning-based classification and detection in precision agriculture. Sensors (Switzerland), 19(5). https://doi.org/10.3390/s19051058
DOI: https://doi.org/10.31294/infortech.v4i2.14436
DOI (PDF): https://doi.org/10.31294/infortech.v4i2.14436.g5734
Refbacks
- Saat ini tidak ada refbacks.
