Pemilihan Daging Kelapa Bermutu Berdasarkan Warna dan Tekstur untuk Produksi Wingko Berkualitas Menggunakan Metode Support Vector Machine (SVM) dan Fusi Informasi

Penulis

Arwin Datumaya Wahyudi Sumari, Ahmad Alfian Alfian, Cahya Rahmad

Abstrak

Mutu daging kelapa adalah faktor utama yang menentukan kualitas produksi wingko baik yang berasal dari kelapa muda atau kelapa tua dari varietas genjah. Dalam upaya menjaga kualitas produksi wingko kelapa, diperlukan teknik dalam memilih daging kelapa yang bermutu tinggi secara konsisten dengan bantuan teknologi. Dalam penelitian ini telah dibangun sebuah sistem pencitraan digital berbasis Kecerdasan Artifisial untuk pemilihan daging kelapa bermutu. Pemilihan tersebut didasarkan pada warna dan tekstur dengan memanfaatkan Support Vector Machine (SVM) sebagai pengklasifikasi, dan fusi informasi. Pengolahan citra digital menggunakan kombinasi metode Hue, Saturation, Value (HSV) dan metode Gray-Level Co-Occurrence Matrix (GLCM) sebagai pengekstraksi fitur warna dan fitur energi. Kedua macam fiur tersebut difusikan menjadi fitur tunggal guna mempercepat klasifikasi oleh SVM sebagai landasan pemilihan daging kelapa. Dengan menggunakan sistem ini, pemilihan daging kelapa bermutu berhasil mencapai akurasi sebesar 50%. Dalam penelitian ini juga ditemukan bahwa ketidak tepatan pelabelan memberi dampak signifikan pada akurasi pemilihan daging kelapa.


Abstract

The quality of coconut meat is a primary factor which determines the quality of wingko production whether that comes from young coconut or old one from Genjah variety. In the effort of maintaining the quality of coconut wingko production, a technique for selecting high quality of coconut meat in consistent way with the aid of technology is needed. In this research, an Artificial Intelligence-based digital imaging system for selecting quality coconut meat has been developed. The selection is based on color and texture by utilizing Support Vector Machine (SVM) as classifier and information fusion. The digital image processing uses the combination of Hue, Saturation, Value (HSV) and Gray-Level Co-Occurrence Matrix (GLCM) methods as color and energy feature extractors. Both features are fused to obtain single feature to accelerate SVM classification as the basis for selection the coconut meat. By using this system, the selection of quality coconut meat is successful to achieve the accuracy as much as 50%. In this research it was also found that incorrectly labeling gives significant impact to the accuracy of coconut meat selection.


Teks Lengkap:

PDF

Referensi


AWALIYAH, 2014. Rancang Bangun Sistem Temu Kembali Gambar Ikan Berdasarkan Ekstraksi Ciri Warna, Bentuk dan Tekstur, Universitas Islam Negeri Sultan Syarif Kasim Riau [online]. Tersedia di: < http://repository.uin-suska.ac.id/3537/> [Diakses 16 Juni 2020].

KUSUMA, S.F., PAWENING, R.E., & DIJAYA, R., 2017. Otomasi Klasifikasi Kematangan Buah Mengkudu berdasarkan Warna dan Tekstur, Jurnal Ilmiah Teknologi Sistem Informasi, 3(1), pp. 19-22, [online]. Tersedia di: < https://www.journal.unipdu.ac.id/index.php/register/article/view/576> [Diakses 10 Mei 2020].

NURUL L., PAWENING R.E., & FURQAN, M. 2016. Klasifikasi Jenis Daging Berdasarkan Tekstur Menggunakan Metode Gray Level Cooccurrent Matrix. Prosiding SENTIA 2016, 8 [online]. Tersedia di: < http://sentia.polinema.ac.id/index.php/SENTIA2016/article/view/59> [Diakses 6 Mei 2020].

MACLAUGHLIN, S., Bad AI Comes from Bad Data [online]. Tersedia di: [Diakses 21 Juli 2020].

PULUNG, A.N., SUTOJO, T., & MULJONO., 2017. Pengolahan Citra Digital. Edisi 1. Yogyakarta: Penerbit Andi.

PUTRA, D., 2010. Pengolahan Citra Digital. Edisi 1. Yogyakarta: CV Andi Offset.

REDMAN, T.C., 2018. If Your Data Is Bad, Your Machine Learning Tools Are Useless [online]. Tersedia di: [Diakses 25 Juli 2020].

RIRID, A.T.H., KURNIAWATI, A.W., & YUNHASNAWA, Y., 2018. Implementasi Metode Support Vector Machine untuk Identifikasi Penyakit Daun Tanaman Kubis, Jurnal Informatika Polinema, 4(3), pp. 182-87.

SAIFUDIN, & FADLIL, A., 2015. Sistem Identifikasi Citra Kayu Berdasarkan Tekstur Menggunakan Gray Level Coocurrence Matrix (GLCM) Dengan Klasifikasi Jarak Euclidean. SINERGI, 19(3), pp. 181-186 [online]. Tersedia di: < https://sinergi.mercubuana.ac.id/media/165465-sistem-identifikasi-citra-kayu-berdasark-8ca84979.pdf> [Diakses 4 April 2020].

SETYAMIDIJAYA, D., 2008. Bertanam Kelapa. Cetakan 9, Yogyakarta: Penerbit Kasinius.

SIDDESHA, S., & NIRANJAN, S.K., 2019. Color and Texture in Classification of Coconut. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 8(8), pp. 1745-1750.

SU, S.Z., & CHEN, S.Y., 2013. Analysis of feature fusion based on HIK SVM and its application for pedestrian detection, [online]. Tersedia di: < https://www.hindawi.com/journals/aaa/2013/436062/> [Diakses 4 April 2020].

SUKRAMA, U., 2009. Aneka Ragam Khas Jawa Timur. Bandung:PT Sarana Panca Karya Nusa.

SUMARI, A.D.W., & AHMAD, A.S., 2008. Designing MultiAgent-based Information Fusion System. The 1st Makassar International Conference on Electrical Engineering and Informatics 2008, pp. 137-143.

SUMARI, A.D.W., & AHMAD, A.S., 2016. The Fusion of Artificial Intelligence and Information Fusion. International Symposium on Electronics and Smart Devices 2016, [online]. Tersedia di: < https://ieeexplore.ieee.org/document/7886754> [Diakses 21 Mei 2020].

SUMARI, A.D.W., & AHMAD, A.S., 2017. Information Fusion as Knowledge Extraction in an Information Processing System. International Journal of Artificial Intelligence and Neural Networks, 7(1), pp. 22–27.

SURYA, R.A., FADLIL, A., & YUDHANA, A., 2017. Ekstraksi Ciri Metode Gray Level Co-Occurrence Matrix (GLCM) dan Filter Gabor Untuk Klasifikasi Citra Batik Pekalongan. Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 2(2), pp. 23-26.

WAHYUDI, J. & MAULIDA, I., 2019. Pengenalan Pola Citra Kain Tradisional Menggunakan GLCM dan KNN. JTIULM, 4(2), pp. 43-48 [online]. Tersedia di: < https://jtiulm.ti.ft.ulm.ac.id/index.php/jtiulm/article/view/37> [Diakses 17 Maret 2020].

WARISNO, 2003. Budi Daya Kelapa Genjah. Cetakan ke-1. Yogyakarta: Penerbit Kasinius.

WIDYARDINI, S.T., 2015. Pemrograman Matlab untuk Pengolahan Citra Digital Studi Kasus Sistem Pemantau Ruangan Pengganti CCTV. Cetakan Pertama, Malang: UB Press.

WIRYADINATA, R., ADLI, M. R., FAHRIZAL, & R., ALFANZ, R., 2019. Klasifikasi 12 Motif Batik Banten Menggunakan Support Vector Machine. Jurnal EECCIS, 13(1), pp. 60-64 [online]. Tersedia di: < https://jurnaleeccis.ub.ac.id/index.php/eeccis/article/view/570> [Diakses 20 Juni 2020].

ZHAO, Q., SHI, C., & LUO, L., 2014. Role of the texture features of images in the diagnosis of solitary pulmonary nodules in different sizes. Chin J Cancer Res, 26(4), pp. 451-458 [online]. Tersedia di: < https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4153941/> [Diakses 18 Juli 2020].




DOI: http://dx.doi.org/10.25126/jtiik.2021834391