Klasifikasi Jenis Kelengkeng Berdasarkan Morfologi Daun Dengan Ekstraksi Ciri RGB, GLCM, dan Bentuk Menggunakan Metode BPNN
DOI:
https://doi.org/10.31102/jatim.v4i2.2341Abstract
Buah Kelengkeng mudah ditemukan di beberapa daerah di Indonesia. Kultivar buah Kelengkeng sangat banyak dan memiliki karakteristik pada morfologinya, termasuk karakteristik daunnya. Banyaknya jenis buah Kelengkeng ini menyulitkan konsumen dalam menentukan jenis buah kelengkeng yang diminati. Selain itu, keberagaman jenis buah Kelengkeng ini juga berpengaruh terhadap petani dalam menentukan harga jual karena terdapat perbedaan yang signifikan pada beberapa jenis Kelengkeng. Penelitian ini bertujuan untuk mengklasifikasi kultivar buah Kelengkeng berdasarkan morfologi daun. Jenis buah Kelengkeng yang digunakan dalam penelitian ini berjumlah 4 jenis, di mana masing-masing jenis menggunakan 20 helai daun. Resolusi citra yang digunakan adalah 433 x 577 piksel. Lokasi pengambilan data dilakukan di Kota Semarang, Jawa Tengah. Metode yang digunakan adalah ekstraksi fitur warna RGB, Grey Level Co-occurrence Matrix (GLCM), dan fitur Bentuk untuk mendapatkan nilai dari setiap kultivar. Selanjutnya, nilai tersebut diolah dengan menggunakan algoritma Back-Propagation Neural Network (BPNN) untuk memperoleh nilai akurasi yang digunakan sebagai penentu klasifikasi gambar daun Kelengkeng. Parameter metric dan eccentricity digunakan sebagai pendukung algoritma. Hasil pengujian dengan algoritma BPNN memperoleh akurasi sebesar 95%, menunjukkan bahwa algoritma BPNN dapat digunakan untuk mengklasifikasikan jenis daun buah Kelengkeng.
Downloads
References
[2] T. Prawitasari, “Fisiologi Pembungaan Tanaman Lengkeng (Euphorbia longana Lam.) pada Beberapa Ketinggian Tempat,” 2001.
[3] P. K. Groom, B. B. Lamont, and A. S. Markey, “Influence of leaf type and plant age on leaf structure and sclerophylly in Hakea (Proteaceae),” Aust J Bot, vol. 45, no. 5, pp. 827–838, 1997.
[4] H. Tsukaya, “Mechanism of leaf-shape determination,” Annu. Rev. Plant Biol., vol. 57, pp. 477–496, 2006.
[5] S. Sutarno, R. F. Abdullah, and R. Passarella, “Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization (LVQ),” in Annual Research Seminar (ARS), 2017, pp. 65–70.
[6] C. Sri Kusuma Aditya, M. Hani’ah, R. R. Bintana, and N. Suciati, “Batik classification using neural network with gray level co-occurence matrix and statistical color feature extraction,” in 2015 International Conference on Information & Communication Technology and Systems (ICTS), 2015, pp. 163–168. doi: 10.1109/ICTS.2015.7379892.
[7] C. W. D. de Almeida, R. M. C. R. de Souza, and A. L. B. Candeias, “Texture classification based on co-occurrence matrix and self-organizing map,” in 2010 IEEE International Conference on Systems, Man and Cybernetics, 2010, pp. 2487–2491. doi: 10.1109/ICSMC.2010.5641934.
[8] A. Minarno and N. Suciati, “Batik Image Retrieval Based on Color Difference Histogram and Gray Level Co-Occurrence Matrix,” TELKOMNIKA (Telecommunication Computing Electronics and Control), vol. 12, p. 597, Nov. 2014, doi: 10.12928/v12i3.80.
[9] H. Syahputra and A. Harjoko, “Klasifikasi Varietas Tanaman Kelengkeng Berdasarkan Morfologi Daun Menggunakan Backpropagation Neural Network dan Probabilistic Neural Network,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 5, no. 3, pp. 11–16, 2011.
[10] I. Jamaliah, R. N. Whidhiasih, and M. Maimunah, “Identifikasi Jenis Daun Tanaman Obat Hipertensi Berdasarkan Citra Rgb Menggunakan Jaringan Syaraf Tiruan,” PIKSEL: Penelitian Ilmu Komputer Sistem Embedded and Logic, vol. 5, no. 1, pp. 1–11, 2017.
[11] F. Y. Manik, “Identifikasi Penyakit Daun Jabon Berdasarkan Ciri Morfologi Menggunakan Support Vector Mechine (Svm).,” Bogor Agricultural University (IPB), 2015.
[12] M. Benco, R. Hudec, P. Kamencay, M. Zachariasova, and S. Matuska, “An Advanced Approach to Extraction of Colour Texture Features Based on GLCM,” Int J Adv Robot Syst, vol. 11, no. 7, p. 104, Jan. 2014, doi: 10.5772/58692.
[13] D. P. Patil, S. R. Kurkute, P. S. Sonar, and S. I. Antonov, “An advanced method for chilli plant disease detection using image processing,” in 52nd International Scientific Conference On Information, Communication and Energy Systems and Technologies, Niš, Serbia, 2017, pp. 309–313.
[14] J. Jamaludin, C. Rozikin, and A. S. Y. Irawan, “Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation,” Techné: Jurnal Ilmiah Elektroteknika, vol. 20, no. 1, pp. 1–12, 2021.
[15] A. H. Tandrian and A. Kusnadi, “Pengenalan pola tulang daun dengan jaringan syaraf tiruan backpropagation,” Ultima Computing: Jurnal Sistem Komputer, vol. 10, no. 2, pp. 53–58, 2018.
[16] K. Syaban and A. Harjoko, “Klasifikasi varietas cabai berdasarkan morfologi daun menggunakan backpropagation neural network,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 10, no. 2, pp. 161–172, 2016.
[17] F. A. Hizham, Y. Nurdiansyah, and others, “Implementasi metode backpropagation neural network (bnn) dalam sistem klasifikasi ketepatan waktu kelulusan mahasiswa (studi kasus: Program studi sistem informasi universitas jember),” Berkala Sainstek, vol. 6, no. 2, pp. 97–105, 2018.
[18] A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, and R. R. Al Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 2, pp. 388–395, 2022.
[19] R. C. Gonzalez and R. E. (Richard E. Woods, Digital image processing, Fourth Edition. Ney York: Pearson, 2018.
[20] A. Kadir, “Teori dan Aplikasi Pengolahan Citra,” 2013. [Online]. Available: https://www.researchgate.net/publication/236673073
[21] P. Prasetyawan, I. Ahmad, R. I. Borman, Y. A. Pahlevi, D. E. Kurniawan, and others, “Classification of the Period Undergraduate Study Using Back-propagation Neural Network,” in 2018 International Conference on Applied Engineering (ICAE), 2018, pp. 1–5.
[22] S. Setti and A. Wanto, “Analysis of Backpropagation Algorithm in Predicting the Most Number of Internet Users in the World,” Jurnal Online Informatika, vol. 3, no. 2, pp. 110–115, 2019.
[23] R. I. Borman and B. Priyopradono, “Implementasi Penerjemah Bahasa Isyarat Pada Bahasa Isyarat Indonesia (BISINDO) Dengan Metode Principal Component Analysis (PCA),” Jurnal Informatika: Jurnal Pengembangan IT, vol. 3, no. 1, pp. 103–108, 2018.
_001.png)
1.png)
