Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah Pisang Menggunakan Jaringan Saraf Tiruan

https://doi.org/10.22146/ijeis.4222

Yanuar Putu Wiharja(1*), Agus Harjoko(2)

(1) 
(2) Jurusan Ilmu Komputer dan Elektronika, FMIPA UGM, Yogyakarta
(*) Corresponding Author

Abstract


Buah pisang memasok kebutuhan tidak hanya pasar dalam negeri, tetapi juga pasar internasional. Oleh karena itu, mutu buah pisang harus selalu dijaga. Saat ini sortasi mutu pisang masih dilakukan secara manual oleh manusia, akibatnya menghasilkan keragaman mutu yang kurang baik. Untuk itu diperlukan suatu sistem yang dapat mengklasifikasikan mutu buah pisang menggunakan pengolahan citra digital dan jaringan saraf tiruan.

Citra pisang diambil dengan kamera digital dan diolah menggunakan Matlab. Pemrosesan citra digital digunakan untuk mengekstrak fitur warna dan tekstur buah pisang. Sedangkan jaringan saraf tiruan digunakan untuk klasifikasi mutu pisang. Penelitian ini menggunakan 125 pisang untuk data pelatihan dan 100 pisang untuk data pengujian. Mutu pisang dibagi menjadi 5 kelas, yaitu kelas Super, kelas A, kelas B, luar mutu I dan luar mutu II.

Parameter yang digunakan untuk masukan jaringan saraf yaitu luas cacat, nilai red, green, blue, energy, homogeneity, dan contrast. Konfigurasi terbaik model jaringan backpropagation untuk sistem klasifikasi mutu pisang adalah dengan laju pembelajaran sebesar 0,3 dan jumlah neuron pada lapisan tersembunyi sebanyak 10 neuron. Dengan konfigurasi tersebut, sistem mampu mengklasifikasikan mutu dengan tingkat keberhasilan sebesar 94 % dari 100 data uji pisang.

 

Kata kunciklasifikasi mutu pisang, pengolahan citra digital, jaringan saraf tiruan.

 


Bananas does not only supply the domestic market, but also the international market. Therefore, the quality of bananas should be maintained. Currently,quality sorting process of bananas are still done manually by humans, consequently the result is not good. So we need a system that can classify quality of bananas by using image processing and artificial neural network.

Banana image captured by a digital camera and processed using Matlab. Digital image processing is used to extract color and texture features of banana. While artificial neural networks used for classification of the quality of bananas. This study uses 125 bananas for training data and 100 bananas for testing data. Quality of bananas are divided into 5 classes, Super,class A, class B, external quality I and external quality II.

Input parameters used for the neural network are area defects, red, green, blue, energy, homogeneity, and contrast. Best configuration of backpropagation network model for a classification system of banana quality is the learning rate of 0.3 and 10 neurons in the hidden layer. With the best configuration, the system is able to classify the quality of banana fruit with 94% accuracy rate from 100 bananas test data.

 

Keywordsclassification of banana quality, digitalimage processing, artificial neuralnetworks.


Keywords


classification of banana quality, digitalimage processing, artificial neuralnetworks

Full Text:

PDF


References

[1] Badan Standardisasi Nasional, 2009, Pisang, http://sisni.bsn.go.id/index.php?/sni_main/sni/detail_sni/9389, diakses tanggal 8 Februari 2013.

[2] Ahmad, U., 2005, Pengolahan Citra Digital dan Teknik Pemrogramannya, Penerbit Graha Ilmu, Yogyakarta.

[3] Hermawan, A., 2006, Jaringan Saraf Tiruan Teori dan Aplikasi, Andi Offset, Yogyakarta.

[4] Saad, H., Ismaie, A.P., Othman, N., Jusohl, M.H., Naim, N.F., dan Ahmadi, N.A., 2009, Recognizing The Ripeness Of Bananas Using Artificial Neural Network Based On Histogram Approach, IEEE International Conference on Signal and Image Processing Applications, Selangor.

[5] Somantri, A. S., 2010, Menentukan Klasifikasi Mutu Fisik Beras Dengan Menggunakan Teknologi Pengolahan Citra Digital Dan Jaringan Syaraf Tiruan, http://www.bsn.go.id/files/348256349/Litbang%202010/JS%203%20vol%2012/mutu%20fisik%20beras.pdf , diakses 8 Februari 2013.

[6] Perwiranto, H., 2011, Sistem Klasifikasi Mutu Buah Tomat Menggunakan Pengolahan Citra Digital dan Jaringan Saraf Tiruan, Skripsi, FMIPA, UGM, Yogyakarta.

[7] Gonzalez, R.C, dan Wood, R.E., 2008,Digital Image Processing, Ed.3, Pearson Prentice Hall, New Jersey.

[8] Otsu, N., 1979, A ThresholdSelection Method From Gray LevelHistograms. IEEE Transactions Systems, Man, and Cybernetics, No. 1, Vol. 9, hal. 62-66.

[9] Tuceryan, M. dan Anil K. Janin, 1998, Texture Analysis, http://fmi.unisofia.bg/courses/graphics/image%20processing/papers/texture-review.pdf, diakses 14 Mei 2013.

[10]The Mathworks, 2012, Image Processing Toolbox User’sGuide, http://www.mathworks.com/help/images/ref/regionprops.html, diakses tanggal 16 Juni 2013.

[11]Siang, J.J., 2005, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB, Penerbit ANDI, Yogyakarta.



DOI: https://doi.org/10.22146/ijeis.4222

Article Metrics

Abstract views : 6040 | views : 6707

Refbacks

  • There are currently no refbacks.




Copyright (c) 2014 IJEIS - Indonesian Journal of Electronics and Instrumentation Systems

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.



Copyright of :
IJEIS (Indonesian Journal of Electronics and Instrumentations Systems)
ISSN 2088-3714 (print); ISSN 2460-7681 (online)
is a scientific journal the results of Electronics
and Instrumentations Systems
A publication of IndoCEISS.
Gedung S1 Ruang 416 FMIPA UGM, Sekip Utara, Yogyakarta 55281
Fax: +62274 555133
email:ijeis.mipa@ugm.ac.id | http://jurnal.ugm.ac.id/ijeis



View My Stats1
View My Stats2