Deteksi Tingkat Kematangan Buah Pinang Menggunakan Metode Support Vector Machine Berdasarkan Warna Dan Tekstur
DOI:
https://doi.org/10.32938/jitu.v3i2.5323Keywords:
Buah pinang, Color moments, GCLM, SVMAbstract
Penelitian ini bertujuan untuk membangun sistem deteksi tingkat kematangan buah pinang dengan memanfaatkan pengolahan citra digital yang melibatkan fitur-fitur tekstur dan warna. Tahapan awal dalam penelitian adalah melakukan Pre-processing data citra agar dapat disiapkan untuk proses selanjutnya, yaitu ekstraksi fitur. Proses ekstraksi fitur tekstur dilakukan dengan menggunakan Gray Level Co-Occurrence Matrix (GLCM) untuk mengambil nilai Correlation, sementara ekstraksi fitur warna dilakukan dengan metode Color Moments dengan fokus pada nilai Mean. Klasifikasi dengan Support Vector Machine (SVM) dilakukan berdasarkan fitur yang telah diekstraksi sebelumnya, adapun parameter yang diujicobakan adalah jenis kernel yaitu Linear, Gaussian, Polynomial pada algoritma SVM. Dari hasil yang diperoleh menunjukan semua matrik performa dari kernel Polynomial mengungguli kernel yang lain dengan hasil Accuracy yang diperoleh sebesar 90,90%, Precision 90,90%, Recall 92,30% dan F1-Score mecapai 91,60% pada proses deteksi tingkat kematangan buah pinang.
References
H. Nayuf, “Tradisi Makan Sirih Pinang Sebagai Model Moderasi Beragama Berbasis Kearifan Lokal Di Kelurahan Niki-Niki, Kabupaten Timor Tengah Selatan – Ntt,” Harmoni, vol. 21, no. 2, pp. 166–183, 2022, doi: 10.32488/harmoni.v21i2.591.
D. G. Kamengon, J. D. Engel, and W. Kristinawati, “Oko Mama: Tanda Pemaafan Yang Berbasis Kearifan Lokal Timor,” J. Ilmu Sos. dan Hum., vol. 9, no. 2, p. 289, 2020, doi: 10.23887/jish-undiksha.v9i2.22331.
S. Ndala, A. J. Santoso, and Suyoto, “Identifikasi Tingkat Kematangan Buah Pinang Menggunakan Backpropagation dan Transformasi Ruang Warna,” J. Ilmu Tek. Elektro Komput. dan Inform., vol. 4, pp. 129–135, 2018.
R. A. Saputra, D. Puspitasari, and T. Baidawi, “Deteksi Kematangan Buah Melon Dengan Algoritma Support Vector Machine Berbasis Ekstraksi Fitur GLCM,” J. Infortech, vol. 4, no. 2, pp. 200–206, 2022, [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/infortech/article/view/14436.
D. I. Mulyana1 and D. R. Wibowo, “Implementasi Tingkat Kematangan Buah Monk Dengan Menggunakan Ekstraksi Gray-Level Co-Occurrence Matrix (Glcm) Dan Support Vector Machine (SVM),” vol. 5, no. 3, pp. 334–339, 2023.
D. Vernanda, N. Nugraha, and ..., “Analisis Data Untuk Klasifikasi Tingkat Kematangan Buah Nanas Menggunakan Svm,” J. Ilm. Ilmu dan …, vol. 4, no. September, pp. 8–17, 2022, doi: 10.31962/jiitr.vvii.67.
R. Harun, “Identifikasi Tingkat Kematangan Buah Jambu Biji Menggunakan Fitur Ekstraksi GLCM dengan Metode KNN,” J. Nas. cosPhi, vol. 5, no. 1, pp. 2597–9329, 2021.
I. P. Sari, “Perancangan dan Simulasi Deteksi Penyakit Tanaman Jagung Berbasis Pengolahan Citra Digital Menggunakan Metode Color Moments dan GLCM,” Semin. Nas. Inov. Dan Apl. Teknol. Di Ind., pp. 215–220, 2016.
Y. Astutik, D. Widiyanto, and C. N. P. Dewi, “Klasifikasi Jenis Pasir Material Bangunan Menggunakan Metode Support Vector Machine (Svm) Berdasarkan Ekstraksi Ciri Tekstur Dan Warna,” Pros. Semin. Nas. Mhs. Bid. Ilmu Komput. dan Apl., vol. 3, no. 2, pp. 914–924, 2022.
A. Kurniasari, D. Erwanto, and P. N. Rahayu, “Ekstraksi Fitur Warna dan Tekstur Pada Kulit Katak Menggunakan Metode Momen Warna dan CCM,” Setrum Sist. Kendali-Tenaga-elektronika-telekomunikasi-komputer, vol. 9, no. 2, pp. 1–12, 2020, doi: 10.36055/setrum.v9i2.9379.
B. F. Christian, U. Lestari, and D. Andayati, “Sistem aplikasi identifikasi kematangan buah jeruk nipis berdasarkan fitur warna dan menggunakan support vector machine,” J. Scr., vol. 7, no. 2, pp. 248–256, 2019.
R. Widodo, A. W. Widodo, and A. Supriyanto, “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5769–5776, 2018, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3420.
L. A. Wardani, G. Pasek, S. Wijaya, and F. Bimantoro, “Klasifikasi Jenis Dan Tingkat Kematangan Buah Pepaya Berdasarkan Fitur Warna, Tekstur Dan Bentuk Menggunakan Support Vector Machine,” J. Teknol. Informasi, Komput. dan Apl., vol. 4, no. 1, pp. 75–87, 2022, [Online]. Available: http://jtika.if.unram.ac.id/index.php/JTIKA/.
M. Faruk, “Telematika Klasifikasi Kanker Kulit Berdasarkan Fitur Tekstur , Fitur Warna Citra Menggunakan SVM dan KNN,” Telematika, vol. 13, no. 2, pp. 100–109, 2020, [Online]. Available: https://ejournal.amikompurwokerto.ac.id/index.php/telematika/article/view/987.
J. Rusman and N. Pasae, “Prototype Sistem Penyortir Buah Kopi Arabika Berdasarkan Tingkat Kematangan Menggunakan Metode Support Vector Machine,” Teknika, vol. 12, no. 1, pp. 65–72, 2023, doi: 10.34148/teknika.v12i1.602.
Ismail, Nurhikma Arifin, and Prihastinur, “Klasifikasi Kematangan Buah Naga Berdasarkan Fitur Warna Menggunakan Algoritma Multi-Class Support Vector Machine,” J. Inform. Teknol. dan Sains, vol. 5, no. 1, pp. 121–126, 2023, doi: 10.51401/jinteks.v5i1.2203.
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,” Jec, vol. 7, no. 1, 2021.
T. Y. Prahudaya and A. Harjoko, “Metode Klasifikasi Mutu Jambu Biji Menggunakan Knn Berdasarkan Fitur Warna Dan Tekstur,” J. Teknosains, vol. 6, no. 2, p. 113, 2017, doi: 10.22146/teknosains.26972.
