Klasifikasi Buah Kelapa berdasarkan Warna Kulit untuk Mengidentifikasi Ketebalan Daging pada Berbagai Tingkat Kematangan Menggunakan Jaringan Saraf Tiruan (JST)
DOI:
https://doi.org/10.25126/jtiik.124Kata Kunci:
jaringan syaraf tiruan, kelapa, kematangan, klasifikasi, pemrosesan citraAbstrak
Kelapa (Cocos nucifera L.) adalah bagian dari suku aren-arenan atau Arecaceae dari marga cocos. Kelapa adalah tanaman yang sering ditemui dan kaya akan manfaat bagi umat manusia, mulai dari daun, batang pohon dan buah kelapanya. Pedagang tradisional dapat menggunakan suara yang dihasilkan dari ketukan tangan untuk mengetahui tingkat kematangan buah kelapa. Namun, dengan cara manual ini ada kemungkinan kesalahan dalam proses pengklasifikasianya. Maka dari itu, pada penelitian ini diusulkan judul Klasifikasi Buah Kelapa Berdasarkan Ketebalan Dagingnya Pada Berbagai Tingkat Kematangan Menggunakan Jaringan Saraf Tiruan (JST). Metode penelitian untuk pengklasifikasian terdiri atas 7 tahap yaitu tahap akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, klasifikasi, dan evaluasi. Harapan dari metode yang digunakan untuk memberikan solusi khusunya kepada para petani dan pedagang dalam mengklasifikasi atau menyortir buah kelapa untuk mengetahui kualitas dagingnya dengan bantuan teknologi pengolahan citra digital. Dengan menggunakan 300 dataset citra yang dibagi menjadi 240 citra latih dan 60 citra uji, yang menghasilkan tingkat akurasi 97,91% pada citra latih dan 96,66% pada citra uji. Dengan waktu komputasi 0,31 detik per citra pada citra latih dan 0,21 detik per citra pada citra uji. Sehingga hasil dari pembahasan pada penelitian ini, pengklasifikasian buah kelapa menggunakan metode Jaringan Saraf Tiruan (JST) dengan memanfaatkan fitur warna dapat berjalan dan menghasilkan hasil yang dapat digolongkan baik.
Abstract
Coconut (Cocos nucifera L.) is part of the Arecaceae tribe of the cocos genus. Coconut is a plant that is often encountered and is rich in benefits for mankind, starting from the leaves, tree trunk and coconut fruit. Traditional traders can use the sound produced by hand tapping to determine the ripeness of the coconut fruit. However, with this manual method there is a possibility of error in the classification process. Therefore, this research proposes the title Classification of Coconut Fruit Based on the Thickness of the Flesh at Various Levels of Maturity Using Artificial Neural Networks (JST). The research method for classification consists of 7 stages, namely image acquisition, preprocessing, segmentation, morphological operations, feature extraction, classification, and evaluation. The hope of the method used to provide solutions especially to farmers and traders in classifying or sorting coconut fruit to determine the quality of the meat with the help of digital image processing technology. By using 300 image datasets divided into 240 training images and 60 test images, which resulted in an accuracy rate of 97.91% on the training image and 96.66% on the test image. With a computation time of 0.31 seconds per image on the training image and 0.21 seconds per image on the test image. So that the results of the discussion in this study, the classification of coconut fruit using the Artificial Neural Network (JST) method by utilizing color features can run and produce results that can be classified as good.
Downloads
Referensi
A. ZENDHAF, R. M. 2018. Segmentasi Pembuluh Darah pada Fundus Retina Menggunakan Deteksi Tepi dan Operasi Morfologi. E-Proceeding of Engineering, 5506-5512.
ABDILLAH, M. A. 2023. Klasifikasi tingkat kematangan buah kelapa menggunakan deep learning berbasis fitur akustik. Jakarta: universitas negeri jakarta.
ANDI AISYAH NURFITRI, A. I. 2023. Classification of the level of sugar content in papaya fruit based on color features using artificial neural network. Jurnal teknik informatika (JUTIF), 1450.
ANDI SADRI AGUNG, A. F. 2023. Classification of tomato quality based on color features andskin characteristics using image processing based artificialneural network. Jurnal teknik informatika (JUTIF), 1024.
ARINI, F. F. 2015. Pendeteksian posisi plat nomor mobil menggunakan metode morfologi dengan operasi dilasi, filling holes, dan opening. Jurnal teknik informatika, 12.
CALLADCAD, J. A. 2020. Determining Philippine coconut maturity level using machine learning algorithms based on acoustic signal. Computers and electronics in agriculture, 172.
DEDEN WAHIDDIN, J. I. 2020. Klasifikasi Kadar Hidrasi Tubuh Berdasarkan Warna Urine dengan Metode Ekstraksi Fitur Warnadan Euclidean Distance. Techno Xplore Jurnal Ilmu Komputer dan Teknologi Informasi, 17.
DIAN SAFITRI, L. R. 2019. Klasifikasi usaha pengolahan kelapa di kecamatan lasalimu. J. Sains dan teknologi pangan (JSTP), 2179.
DONIS-GONZÁLEZ, I. R.-V. 2013. Assessment of chesnut (Castanae spp.) Slice quality using color images. Journal of Food Engineering, 407-414.
FERNANDEZ, E. O. 2019. Arduino-based Sound Acquisition System Using Fast Fourier Transform Algorithm. 2019 IEEE 11th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management ( HNICEM ), 1-6.
FINKI DONA MARLENY, M. 2019. Optimasi genetic algorithm denganjaringan syaraf tiruanuntuk klasifikasi citra. JTIULM, 1.
GAMARIA MANDAR, A. H. 2023. Klasifikasi kualitas kopra menggunakan nearest mean classifier berdasarkan warna dan tekstur local binary pattern. Indonesian journal on information system , 165.
GARY JEREMI MASSIE, A. Z. 2024. Maturity classification system of tomato based on rgb color features using backpropagation artificial neural network method. Jurnal teknik informatika (JUTIF), 5.
ISMAIL HABIBI HERMAN, D. W. 2020. Penggunaan k-nearest neighbor (knn) untuk mengidentifikasi citra batik pewarna alami dan pewarna sintetis berdasarkan warna. Seminar nasional mahasiswa ilmu komputer dan aplikasinya (SENAMIKA), 510.
IZZATI MUHIMMAH, S. N. 2017. Segmentasi mikrofilaria untuk diagnosis penyakit kaki gajah berbasis citra mikroskopis. Teknoin jurnal teknologi industri, 746.
LE, T.-T. L.-Y. 2019. Deep learning for noninvasive classivication of clustered horticultural crops - A case for banana fruit tiers. Postharvest, 156, 110922.
MASPARUDIN, A. U. 2020. Sistem prediksi kualitas santan kelapa menggunakan nearest mean classifier (NMC). Jurnal sistem informasi, 646.
PANGARIBUAN, H. 2019. Optimalisasi deteksi tepi dengan metode segmentasi citra. Information system development [ISD], 30.
PUSPITA, D. 2022. Implementasi Learning Vector Quantization untuk Klasifikasi Jenis Buah Kelapa menggunakan Image Processing. Indonesian Journal of Computer Science, 986.
PUTRI HARNIS, Y. A. 2019. Segmentasi Citra Kue Tradisionalmenggunakan Otsu Thresholdingpada Ruang Warna CIE LAB. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 6802.
RHAISHUDIN JAFAR RUMANDAN, R. N. 2022. Klasifikasi Citra Jenis Daun Berkhasiat Obat Menggunakan Algoritma Jaringan Syaraf Tiruan Extreme Learning Machine. Journal of Computer System and Informatics (JoSYC), 149.
YUNALDI M.Z. MASI ADANG, A. M. 2020. Klasifikasi Tingkat Kematangan Kopra Mengunakan Metode naïve bayes. CYCLOTRON, 32.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).