KLASIFIKASI BUAH ALPUKAT BERDASARKAN TEKSTUR BUAH MENGGUNAKAN METODE BACKPROPAGATION BERBASIS IMAGE PROCESSING
DOI:
https://doi.org/10.36595/jire.v6i2.725Keywords:
Klasifikasi, Alpukat, Backpropagation, Image ProcessingAbstract
Proses klasifikasi buah alpukat biasa dilakukan dengan cara manual yang sederhana yaitu dengan pemilihan alpukat berdasarkan ciri-ciri umum. Hasilnya banyak terjadi kesalahan klasifikasi karena perbedaan pendapat dari tiap orang. Cara yang dapat dilakukan guna mengatasi kesalahan tersebut yaitu menggunakan citra digital dengan metode backpropagation. Metode backpropagation ini dapat mengklasifikasikan buah alpukat berdasarkan jenisnya dengan mengenali karakteristik buahnya seperti tekstur dan bentuk buahnya. Di dalam proses klasifikasi dengan metode backpropagation ini terdapat proses image processing yaitu pemrosesan gambar 2 dimensi menggunakan komputer. Setelah dilakukan tahapan image processing dilakukan ekstraksi fitur tekstur menggunakan asm, kontras, idm, entropi dan korelasi, dev, skewness dan cur. Data training yang dipakai sebanyak 60 data dan data testing sebanyak 40 data. Hasil pengujian klasifikasi buah alpukat berdasarkan tekstur buah diperoleh akurasi keberhasilan sebesar 85% dan maksimal kegagalan 15% dari 30 kali pengujian.
References
P. B. Kasi and M. Kotormán, “Avocado juice prevents the formation of trypsin amyloid-like fibrils in aqueous ethanol,” Nat. Prod. Commun., vol. 14, no. 5, pp. 1–5, 2019.
F. N. Fajri, P. Purwanto, and R. A. Pramunendar, “Pengenalan Varietas Mangga Berdasarkan Bentuk Dan Tekstur Daun Menggunakan Metode Backpropagation Neural Network,” J. Cyberku, vol. 13, no. 2, p. 6, 2017.
M. H. Hanafi, N. Fadillah, and A. Insan, “Optimasi Algoritma K-Nearest Neighbor untuk Klasifikasi Tingkat Kematangan Buah Alpukat Berdasarkan Warna,” IT J. Res. Dev., vol. 4, no. 1, pp. 10–18, 2019.
R. Tri Indrati, “Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor Dengan Ciri Statistical Textures.”
A. Ciputra, D. R. I. M. Setiadi, E. H. Rachmawanto, and A. Susanto, “Klasifikasi Tingkat Kematangan Buah Apel Manalagi Dengan Algoritma Naive Bayes Dan Ekstraksi Fitur Citra Digital,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 9, no. 1, pp. 465–472, 2018.
C. B. Sanjaya and M. I. Rosadi, “Klasifikasi buah mangga berdasarkan tingkat kematangan menggunakan least-squares support vector machine,” Explor. IT, pp. 1–13, 2018.
M. C. García-Vargas, M. del M. Contreras, and E. Castro, “Avocado-derived biomass as a source of bioenergy and bioproducts,” Appl. Sci., vol. 10, no. 22, p. 8195, 2020.
B. Salehi, A. Rescigno, T. Dettori, D. Calina, A. O. Docea, L. Singh, F. Cebeci, B. Özçelik, M. Bhia, and A. Dowlati Beirami, “Avocado–soybean unsaponifiables: a panoply of potentialities to be exploited,” Biomolecules, vol. 10, no. 1, p. 130, 2020.
I. F. Salazar-Reque, A. G. Pacheco, R. Y. Rodriguez, J. G. Lezama, and S. G. Huamán, “An image processing method to automatically identify Avocado leaf state,” in 2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA), 2019, pp. 1–5.
M. O. Okwu, O. D. Samuel, D. R. E. Ewim, and Z. Huan, “Estimation of biogas yields produced from combination of waste by implementing response surface methodology (RSM) and adaptive neuro-fuzzy inference system (ANFIS),” Int. J. Energy Environ. Eng., vol. 12, no. 2, pp. 353–363, 2021.
R. Pourdarbani, S. Sabzi, D. Kalantari, and J. I. Arribas, “Non-destructive visible and short-wave near-infrared spectroscopic data estimation of various physicochemical properties of Fuji apple (Malus pumila) fruits at different maturation stages,” Chemom. Intell. Lab. Syst., vol. 206, p. 104147, 2020.
I. C. Afolabi, S. I. Popoola, and O. S. Bello, “Modeling pseudo-second-order kinetics of orange peel-paracetamol adsorption process using artificial neural network,” Chemom. Intell. Lab. Syst., vol. 203, p. 104053, 2020.
C. A. Jaramillo-Acevedo, W. E. Choque-Valderrama, G. E. Guerrero-Álvarez, and C. A. Meneses-Escobar, “Hass avocado ripeness classification by mobile devices using digital image processing and ANN methods,” Int. J. Food Eng., vol. 16, no. 12, 2020.
K. Masuda, M. Suzuki, K. Baba, K. Takeshita, T. Suzuki, M. Sugiura, T. Niikawa, S. Uchida, and T. Akagi, “Noninvasive diagnosis of seedless fruit using deep learning in persimmon,” Hortic. J., vol. 90, no. 2, pp. 172–180, 2021.
Additional Files
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
