Penerapan Metode Gray Level Co-Occurrence Matrix dalam Mengklasifikasi Tingkat Kematangan Buah Naga Berbasis Citra
Abstrak
Buah naga, juga dikenal sebagai dragon fruit, adalah buah yang berasal dari tanaman kaktus yang termasuk dalam genus Hylocereus dan Selenicereus, family Cactaceae, ordo Cactaes, dan kelas Dicotyledonae. Buah naga sangat populer di kalangan masyarakat karena memiliki berbagai manfaat kesehatan. Pematangan buah naga dimulai sekitar 11 bulan setelah tanam, dan membutuhkan waktu sekitar 50 sampai 55 hari dari saat kuncup bunga hingga buah siap panen. Proses pematangan buah naga dimulai sekitar 11 bulan setelah penanaman. Dari saat kuncup bunga terbentuk hingga buah siap untuk dipanen, dibutuhkan waktu sekitar 50 sampai 55 hari. Buah naga memiliki tingkat kematangan yang berbeda, yaitu mentah, setengah matang, matang, dan terlalu matang. Tingkat kematangan ini dapat dikenali melalui perubahan warna kulit buah. Saat ini, petani masih melakukan penyortiran buah naga secara manual dengan mengamati secara langsung permukaan buah, namun metode ini sering menghasilkan klasifikasi yang tidak akurat dan tidak konsisten karena adanya keteledoran pada manusia. Oleh karena itu, peneliti berupaya untuk mengembangkan sebuah sistem yang dapat mengklasifikasikan tingkat kematangan buah naga dengan memanfaatkan karakteristik warna Hue Saturation Value (HSV) dan menerapkan metode Gray Level Co-Occurrence Matrix (GLCM). Dalam sistem klasifikasi yang dikembangkan menggunakan perangkat lunak Matlab, terdapat empat kategori kematangan buah naga yang termasuk yaitu, mentah, setengah matang, matang, dan terlalu matang. Terdapat 100 dataset yang digunakan dalam penelitian ini dan melalui pengujian dengan menggunakan 5-fold-cross validation. Penelitian ini mencapai akurasi terbaik sebesar 90%. Analisis data dilakukan menggunakan metode GLCM dengan menghitung jarak terdekat antara setiap data latihan dan data pengujian yang sama menggunakan rumus jarak Euclidean.
##plugins.generic.usageStats.downloads##
Referensi
S. Rahayu, Budidaya Buah Naga Cepat Panen, 1st ed. Jakarta: Infra Hijau, 2014.
N. Khuriyati, M. B. Fibriato, and D. A. Nugroho, “Penentuan Kualitas Buah Naga (Hylocereus undatus) Dengan Metode Non-Destruktif [Non-destructive Determination of Dragon Fruit (Hylocereus undatus) Quality],” J. Teknol. Ind. Has. Pertan., vol. 23, no. 2, p. 65, Sep. 2018, doi: http://dx.doi.org/10.23960/jtihp.v23i2.65-74.
Juherman, Mari berbisnis buah naga super red (Hylocereus undatus). Cianjur: PPPPTK Pertanian, 2017. [Online]: Available: https://bbppmpvpertanian.kemdikbud.go.id/?p=2243/. [Accessed 31 October 2023].
L. O. Prakoso, H. Yusmaini, M. S. Thadeus, and S. Wiyono, “Perbedaan efek ekstrak buah naga merah (Hylocereus polyrhizus) dan ekstrak buah naga putih (Hylocereus undatus) terhadap kadar kolesterol total tikus putih (Rattus norvegicus),” J. Gizi dan Pangan, vol. 12, no. 3, pp. 195–202, Nov. 2017, doi: https://doi.org/10.25182/jgp.2017.12.3.195-202.
A. Saragih and M. Sianturi, “Implementasi Metode Color Moment dan GLCM Untuk Mendeteksi Penyakit Tanaman Karet,” Inf. dan Teknol. Ilm., vol. 7, no. 2, pp. 145–151, 2020, [Online]. Available: https://www.ejurnal.stmik-budidarma.ac.id/index.php/inti/article/view/2377. [Accessed 31 October 2023].
R. Widodo, A. W. Widodo, and A. Supriyanto, “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5769–5776, 2018, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3420. [Accessed 31 October 2023].
N. Idawati, Budidaya Buah Naga Hitam : Varietas Baru Yang Kian Diburu. Yogyakarta: Pustaka Baru Press, 2012.
R. Nisa, R. Mulfianda, and M. Mulyatina, “Efek Buah Naga Merah (Hylocereus Polyrhizus) Terhadap Penurunan Kadar Gula Darah Pada Penderita Diabetes Mellitus Tipe 2,” Idea Nurs. J., vol. XII, no. 2, pp. 19–25, 2021, [Online]. Available: https://jurnal.usk.ac.id/INJ/article/download/22245/15393. [Accessed 31 October 2023].
R. Gonzalez and R. Woods, Digital Image Processing Third Edition, 3rd ed. New Jersey: Pearson Prentice Hall, 2010.
A. S. Maulani, Klasifikasi Batik Menggunakan Metode Multi Texton Histogram dan Support Vector Machine [Skripsi]. Malang: Teknik Informatika, Universitas Muhammadiyah, 2017.
D. Amirullah, “Sistem Pencarian Semantik Impresi dengan Mekanisme Pembobotan Kombinasi Fitur Warna dan Fitur Bentuk,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 41, 2018, doi: https://doi.org/10.35314/isi.v3i1.332.
G. Gressiva and F. Chandra, “Sistem Pengenalan Motif Songket Melayu Menggunakan Ekstraksi Fitur Principal Component Analysis dan Gray Level Co-Occurrence Matrix dan Jaringan Saraf Tiruan,” J. Jom FTEKNIK, vol. 5, no. 2, pp. 1–7, 2018. [Online]. Available: https://jom.unri.ac.id/index.php/JOMFTEKNIK/article/view/22206. [Accessed 31 October 2023].
Y. R. Kaesmetan and M. V. Overbeek, “Digital Image Processing using Texture Features Extraction of Local Seeds in Nekbaun Village with Color Moment, Gray Level Co Occurance Matrix, and k-Nearest Neighbor,” Ultim. J. Tek. Inform., vol. 13, no. 2, pp. 81–88, 2022, doi: https://doi.org/10.31937/ti.v13i2.2038.
I. Purnamasari and T. Sutojo, “Pengenalan Ciri Garis Telapak Tangan Menggunakan Ekstraksi Fitur (GLCM) dan Metode K-NN Palm Characteristic Recognition Using Feature Extraction (GLCM) and K-NN Method,” J. VOI (Voice Informatics), vol. 6, no. 1, pp. 221–229, 2017. doi: https://doi.org/10.33050/ccit.v10i2.541.
##submission.copyrightStatement##
##submission.license.cc.by4.footer##Penulis yang mengirimkan naskah harus memahami dan menyetujui bahwa jika diterima untuk diterbitkan, penulis memiliki hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Creative Commons Attribution (CC-BY) 4.0 License yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.