Classification of Mango Fruit Quality Based on Texture Characteristics of GLCM (Gray Level Co-Occurrence Matrices) with Algorithm K-NN (K-Nearest Neighbors)

Wahyu Wijaya Widiyanto, Eko Purwanto, Kusrini Kusrini

Abstract


Proses klasifikasi kualitas mutu buah mangga dengan cara konvensional menggunakan mata manusia memiliki kelemahan di antaranya membutuhkan tenaga lebih banyak untuk memilah, anggapan mutu kualitas buah mangga antar manusia yang berbeda, tingkat konsistensi manusia dalam menilai kualitas mutu buah mangga yang tidak menjamin valid karena manusia dapat mengalami kelelahan. Penelitian ini bertujuan untuk klasifikasi kualitas mutu buah mangga ke dalam tiga kelas mutu yaitu kelas Super, A, dan B dengan computer vision dan algoritma k-Nearest Neighbor. Hasil pengujian menggunakan jumlah k tetangga 9 menunjukan tingkat akurasi sebesar 88,88%.

Kata-kata kunci— Klasifikasi, GLCM, K-Nearest Neighbour, Mangga


References


Adnan, 2011, Karakteristik sifat jeruk manis berdasarkan tingkat ketuaan, Prosiding seminar teknologi inovatif pascapanen pertanian ISBN: 978-979-116-32-9, Bogor

Ahmad, U., Tjahjohutomo, R., & Mardison, 2008, Perancangan dan Konstruksi Mesin Sortasi dan Pemutuan Buah Jeruk dengan Sensor kamera CCD, Junal Keteknikan Pertanian (JTEP), ISSN 0216-3365, Bogor.

Ahmad, U., 2005, Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu, Yogyakarta.

Ahmad, U., 2002, Pengolahan Citra untuk Pemeriksaan Mutu Buah Mangga, Buletin Keteknikan Pertanian, Fakultas Teknologi Pertanian IPB, Bogor

Arifin, A.D., Arieshanti, I.,& Arifin, A.Z., 2012, Implementasi algoritma k-nearest neighbor yang berdasarkan one pass clustering untuk kategorisasi teks, ITS, Surabaya.

BLST (Bogor life Science and Technology), 2015, Pepaya Calina IPB 9, http://blst.co.id/pepaya-calina-ipb-9, diakses 17 November 2016.

Dinar, L., Suyantohadi, A., dan Fallah, M.A.F., 2012. Pendugaan Kelas Mutu Berdasarkan Analisa Warna dan Bentuk Biji Pala (Myristica Fragnans Houtt) Menggunakan Teknologi Pengolahan Citra Digital dan Jaringan Syaraf Tiruan, Junal Keteknikan Pertanian (JTEP) Vol. 26. No.1April 2012, ISSN 0216-3365, Bogor.

Economic and Social Development Department, FAO., 2010, Medium-term prospects for agricultural commodities (Tropical Fruits), http://www.fao.org/docrep/006/y5143e/y5143e1a.htm, diakses 28 April 2016.

Farsiah, L., Abidin, T.F., & Munadi, K., 2013, Klasifikasi gambar berwarna menggunakan k-nearest neghbor dan support vector machine, SNASTIKOM, Banda Aceh.

Kadir, A. & Susanto, A. 2013, Teori dan Aplikasi Pengolahan citra, Penerbit Andi, Yogyakarta.

Kementrian Pertanian RI., 2014, Basis Data Statistik Pertanian, http://aplikasi.pertanian.go.id/bdsp/newkom.asp, diakses 27 April 2016.

Sugiyanto, S, & Wibowo, F., 2015, Klasifikasi Tingkat Kematangan Buah Pepaya (Carica Papaya L) California (Callina-Ipb 9) Dalam Ruang Warna Hsv dan Algoritma K-Nearest Neighbors, Seminar NasionalHasil-Hasil Penelitian dan Pengabdian LPPM Universitas Muhammadiyah Purwokerto.

Syaefullah, E., Purwadaria, H.K., & Sutrisno, 2011, Pengolahan Citra Digital dan Jaringan Saraf Tirua untuk Identifikasi Tingkat Ketuaan Pepaya, Prosiding Seminar Nasional Teknologi Inovatif Pascapanen Pertanian III, ISBN: 978-979-1116-32-9, Bogor.


Full Text: PDF

DOI: 10.30595/techno.v20i1.3816

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

ISSN: 2579-9096