Penerapan Learning Vector Quantization Pada Pengelompokan Tingkat Kematangan Buah Tomat Berdasarkan Warna Buah
DOI:
https://doi.org/10.24014/coreit.v5i2.8199Abstract
Tingkat kematangan buah tomat dapat dilihat dari warna buah. Pada penelitian sebelumnya pernah dilakukan penentuan tingkat kematangan buah tomat menggunakan fitur Hue, Saturation, dan Value (HSV), serta metode klasifikasi Learning Vector Quantization (LVQ). Pada penelitian tersebut menggunakan data citra buah tomat dari satu sisi. Pada kenyataanya, tidak semua buah tomat memiliki penyebaran warna yang sama disetiap sisinya. Oleh karena itu dibutuhkan teknik untuk merata-ratakan informasi warna dari beberapa sisi buah. Berdasarkan permasalahan tersebut, maka data citra buah tomat yang digunakan diambil dari empat sisi untuk setiap buahnya. Total data citra yang digunakan adalah 400 citra dari empat sisi dan setelah dirata-ratakan menjadi 100 data. Level kematangan buah tomat yang digunakan adalah 5 level yaitu green, breakers, turning, pink, light red, dan red. Proses pelatihan dan pengujian bobot optimal menggunakan K-Fold Cross Validation. Berdasarkan hasil pengujian, rata-rata akurasi tertinggi adalah mencapai 87,25% yang diuji menggunakan 400 citra setiap sisi buah. Berdasarkan hasil pengujian tersebut dapat disimpulkan nilai HSV yang dihasilkan dari rata-rata penggabungan citra empat sisi dapat dijadikan alternatif untuk menentukan tingkat kematangan buah tomat karena dapat meningkatkan akurasi walaupun tidak terlalu signifikanReferences
A. Marliah, M. Hayati dan I. Muliansyah, “Pemanfaatan Pupuk Organik Cair Terhadap Pertumbuhan dan Hasil Beberapa Varietas Tomat (Lycopersicum esculentum L),” Jurnal Agrista, vol. 16, no. 3, pp. 122-128, 2012.
S. Y. Riska dan P. Subekti, “Klasifikasi Level Kematangan Buah Tomat Berdasarkan Fitur Warna Menggunakan Multi-SVM,” Jurnal Ilmiah Informatika, vol. 1, no. 1, pp. 39-24, 2016.
USDA, “United States Standards for Grades of Fresh Tomatoes,” United States Development of Agriculture, Washington, D.C, 1991.
M. A. Anggriawan, M. Ichwan dan D. B. Utami, “Pengenalan Tingkat Kematangan Tomat Berdasarkan Citra Warna Pada Studi Kasus Pembangunan Sistem Pemilihan Otomatis,” Jurnal Teknik Informatika dan Sistem Informasi (JuTISI), vol. 3, no. 3, pp. 550-564, 2017.
G. Ramadhan, E. C. Djamal dan T. Darmanto, “Klasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ,” dalam Seminar Nasional Aplikasi Teknologi Informasi (SNATi), Yogyakarta, 2016.
R. Abdillah, S. Sanjaya dan I. Afrianty, “The Effect of Class Imbalance Against LVQ Classification,” dalam International Conference on Electrical Engineering and Informatics (ICon EEI) 2nd, Batam, Indonesia, 2018.
A. S. Romadhon dan V. T. Widyaningrum, “Klasifikasi Mutu Jeruk Nipis Dengan Metode Learning Vector Quantization (LVQ),” Jurnal Ilmiah Rekayasa, vol. 8, no. 2, pp. 121-128, 2015.
F. Astutik, “Sistem Pengenalan Kualitas Ikan Gurame dengan Wavelet, PCA, Histogram HSV dan KNN,” LONTAR KOMPUTER, vol. 4, no. 3, pp. 336-346, 2013.
Meiriyama, “Klasifikasi Citra Buah berbasis fitur warna HSV dengan klasifikator SVM,” Jurnal Komputer Terapan, vol. 4, no. 1, pp. 50-61, 2018.
N. Wijaya dan A. Ridwan, “Klasifikasi Jenis Buah Apel Dengan Metode K-Nearest Neighbors Dengan Ekstraksi Fitur HSV dan LBP,” Jurnal Sisfokom, vol. 8, no. 1, pp. 74-78, 2019.
S. Sanjaya, M. L. Pura, S. K. Gusti, F. Yanto dan F. Syafria, “K-Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue, Saturation, and Value Colors,” IJAIDM, vol. 2, no. 1, pp. 101-106, 2019.
A. R. Smith, “Color gamut transform pairs,” ACM Siggraph Computer Graphics, vol. 12, no. 3, pp. 12-19, 1978.
S. Ozdemir, Principles of Data Science, Birmingham: Packt Publishing Ltd, 2016.
T. Kohonen, “The self-organizing map,” Proceedings of the IEEE, vol. 78, no. 9, pp. 1464-1480, 1990.
L. Fausett, Fundamental of Neural Network: Architectures, Algorithms, and Application, New Jersey: Prentice Hall Inc, 1994.
F. Gorunescu, Data Mining: Concepts, Models and Techniques, Springer, 2011.
Downloads
Published
Issue
Section
License
The Authors submitting a manuscript do so on the understanding that if accepted for publication, copyright of the article shall be assigned to CoreIT journal and published by Informatics Engineering Department Universitas Islam Negeri Sultan Syarif Kasim Riau as publisher of the journal.
Authors who publish with this journal agree to the following terms:
Authors automatically transfer the copyright to the journal and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike (CC BY SA) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate permission for non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
