Klasifikasi Kerusakan Mutu Tomat Berdasarkan Seleksi Fitur Menggunakan K-Nearest Neighbor

NISKE ELMY PAULINA; ZILVANHISNA EMKA FITRI; ABDUL MADJID; ARIZAL MUJIBTAMALA NANDA IMRON

doi:10.26760/mindjournal.v6i2.144-154

Klasifikasi Kerusakan Mutu Tomat Berdasarkan Seleksi Fitur Menggunakan K-Nearest Neighbor

NISKE ELMY PAULINA, ZILVANHISNA EMKA FITRI, ABDUL MADJID, ARIZAL MUJIBTAMALA NANDA IMRON

Sari

Abstrak

Tomat (Lycopersicum esculentum Mill.) merupakan satu komoditas unggulan pertanian karena penjualan jangka panjangnya baik. Menurunnya jumlah produktivitas dan mutu tomat disebabkan oleh curah hujan yang tinggi, cuaca dan budidaya yang tidak baik sehingga buah tomat menjadi busuk, retak, dan timbul bercak. Penyuluhan terkait peningkatan mutu tomat dinilai kurang efektif sehingga dibutuhkan sebuah sistem identifikasi kerusakan mutu buah tomat yang mampu memberikan edukasi kepada petani. Penelitian ini adalah pengembangan penelitian sebelumnya, untuk mendapatkan citra segmentasi dan ekstraksi fitur digunakan penggunaan contrast stretching dan deteksi tepi sobel. Namun kedua teknik tersebut diganti penggunaan operasi citra negatif. Didapatkan fitur yang optimal adalah gabungan fitur morfologi dan pada masing-masing sudut berdasarkan seleksi fitur. Persentasi akurasi metode KNN pada pelatihan sebesar 86.6% sedangkan akurasi pengujiannya sebesar 70%.

Kata kunci: kerusakan mutu, tomat, seleksi fitur, K-Nearest Neighbor

Abstract

Tomato (Lycopersicum esculentum Mill.) is one of the leading agricultural commodities because of its good long-term sales. The decrease in the amount of productivity and quality of tomatoes is caused by high rainfall, bad weather and cultivation so that the tomatoes become rotten, cracked, and have spots. Counseling related to improving the quality of tomatoes is considered ineffective so that a system for identifying damage to the quality of tomatoes is needed that is able to provide education to farmers. This study is a development of previous research, to obtain segmented images and feature extraction using contrast stretching and sobel edge detection. However, both techniques were replaced by using negative image operations. The optimal feature is a combination of morphological features and correlations at each angle based on feature selection. The percentage of accuracy of the KNN method in training is 87%, while the accuracy in the testing is 70%.

Keywords: quality damage, tomato, feature selection, K-Nearest Neighbo

Teks Lengkap:

PDF

Referensi

Aidah, S. N., & Tim Penerbit KBM Indonesia. (2020). Ensiklopedi Tomat Deskripsi, Filosofi, Manfaat, Budidaya dan Peluang Bisnisnya. Karya Bakti Makmur (KBM) Indonesia.

Amalia, R. H. (2013). Identifikasi Citra Hama Tomat Menggunakan Gray Level Co-occurrence Matrix dan Klasifikasi Probabilistic Neural Network. Institut Pertanian Bogor.

Anggriawan, M. A., Ichwan, M., & Utami, D. B. (2017). Pengenalan Tingkat Kematangan Tomat Berdasarkan Citra Warna Pada Studi Kasus Pembangunan Sistem Pemilihan Otomatis. Jurnal Teknik Informatika dan Sistem Informasi, 3(3). https://doi.org/10.28932/jutisi.v3i3.688

Astrianda, N. (2020). Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine. VOCATECH: Vocational Education and Technology Journal, 1(2), 45â€“52. https://doi.org/10.38038/vocatech.v1i2.27

Badan Pusat Statistik. (2020). Produksi Tanaman Sayuran Tomat 2016-2020. https://www.bps.go.id

Fitri, Z. E. (2017). KLASIFIKASI TROMBOSIT PADA CITRA HAPUSAN DARAH TEPI BERDASARKAN GRAY LEVEL CO- OCCURRENCE MATRIX MENGGUNAKAN BACKPROPAGATION. Institut Teknologi Sepuluh Nopember.

Fitri, Z. E., Nugroho, W. B., Madjid, A., & Imron, A. M. N. (2021). Comparison of Neural Network Methods for Classification of Banana Varieties (Musa paradiasaca). Jurnal Rekayasa Elektrika, 17(2). https://doi.org/10.17529/jre.v17i2.20806

Fitri, Z. E., Purnama, I. K. E., Pramunanto, E., & Purnomo, M. H. (2017). A comparison of platelets classification from digitalization microscopic peripheral blood smear. 2017 International Seminar on Intelligent Technology and Its Application: Strengthening the Link Between University Research and Industry to Support ASEAN Energy Sector, ISITIA 2017 - Proceeding, 2017-Janua, 356â€“361. https://doi.org/10.1109/ISITIA.2017.8124109

Fitri, Z. E., Rizkiyah, R., Madjid, A., & Imron, A. M. N. (2020). Penerapan Neural Network untuk Klasifkasi Kerusakan Mutu Tomat. Jurnal Rekayasa Elektrika, 16(1), 44â€“49. https://doi.org/10.17529/jre.v16i1.15535

Fitri, Z. E., Sahenda, L. N., Puspitasari, P. S. D., Destarianto, P., Rukmi, D. L., & Imron, A. M. N. (2021). The Classification of Acute Respiratory Infection ( ARI ) Bacteria Based on K-Nearest Neighbor. Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, 12(2), 91â€“101.

G., G. E., M., R. R., & Setlaningsih, C. (2017). Perancangan dan Implementasi untuk Penyortiran Buah Tomat (Lycopersicum Esculentum) Dengan Metode Learning Vector Quantizationprototype. e-Proceeding of Engineering, 4(3), 4177â€“4185.

Nanda Imron, A. M., & Fitri, Z. E. (2019). A Classification of Platelets in Peripheral Blood Smear Image as an Early Detection of Myeloproliferative Syndrome Using Gray Level Co-Occurence Matrix. Journal of Physics: Conference Series, 1201(1). https://doi.org/10.1088/1742-6596/1201/1/012049

Nurhakim, Y. I. (2019). Sukses Budidaya Tumpang Sari Cabai & Tomat Praktis & Menguntungkan. Ilmu Cemerlang Group.

Sukmandaru, P. (2019). Identifikasi Penyakit Tanaman Tomat Berdasarkan Citra Daun Menggunakan Metode Gray Level Co-Occurrence Matrix (GLCM) dan K-Nearest Neighbor (KNN). Universitas Pembangunan Nasional Veteran Yogyakarta.

Syukur, M., Saputra, H. E., & Hermanto, R. (2015). Bertanam Tomat di Musim Hujan. Penebar Swadaya Group.

DOI: https://doi.org/10.26760/mindjournal.v6i2.144-154