EKSTRAKSI FITUR WARNA DAN GLCM PADA ALGORITMA KNN UNTUK KLASIFIKASI KEMATANGAN RAMBUTAN

Keywords: Klasifikasi citra, rambutan, KNN, GLCM, Mean RGB

Abstract

Nephelium lappaceum adalah nama latin buah yang lebih dikenal dengan rambutan. Rambutan ternyata mengandung banyak vitamin (vitamin c, magnesium, serat makanan, dll) yang dapat menyembuhkan beberapa penyakit seperti diabetes, hipertensi, dll. Namun karena rendahnya pengetahuan dikalangan masyarakat membuat penjual rambutan mengalami kerugian, karena mereka cenderung menyamaratakan mutu buah. Rendahnya penerapan klasifikasi dikarenakan proses klasifikasi yang dilakukan secara manual dengan menggunakan indra penglihatan. Hal ini menyebabkan akurasi yang rendah, karena indra penglihatan tidak mampu dijadikan tolak ukur tingkat kematangan buah. Maka penelitian ini menerapkan teknologi pengolah citra digital yang menggunakan metode ekstraksi fitur warna RGB, ekstraksi fitur tekstur GLCM dan menerapkan algoritma K-Nearest Neighbor untuk proses klasifikasi. Penelitian ini menghasilkan 4 tingkat kematangan buah yaitu mentah, setengah matang, matang dan busuk. Akurasi tertinggi dihasilkan oleh K=1 sebesar 98,75% dan akuasi terendah dihasilkan oleh K=7 dan 9 sebesar 92,5%. Berdasarkan hasil ekperimen, dapat disimpulkan bahwa semakin besar nilai K maka semakin rendah tingkat akurasi yang dihasilkan, karena pada proses klasifikasi tetangga(data latih dan data uji) yang dibandingkan tergantung pada nilai K

Downloads

Download data is not yet available.

Author Biography

Eko Hari Rachmawanto, Univesitas Dian Nuswantoro

Eko Hari Rachmawanto, M.Kom lulus dari Universiti Teknikal Malaysia Melaka tahun 2012, dan sejak 2012 menjadi dosen tetap di Universitas Dian Nuswantoro pada Program Studi Teknik Informatika. Saat ini aktif menulis publikasi ilimiah dan penelitian. Beberapa perngahrgaan sebagai best paper dan best presenter pada international conference sert menjadi 50 TOP author SINTA tahun 2020.

Scopus https://www.scopus.com/authid/detail.uri?authorId=57193850466
Google scholar https://scholar.google.com/citations?user=RG2Im6cAAAAJ&hl=en&oi=ao
SINTA ID = 5975744 https://sinta.kemdikbud.go.id/authors/detail?id=5975744&view=overview
Publons = https://publons.com/researcher/3050266/eko-hari-rachmawanto/

References

[1] Irwan Falud Sen, “Deteksi Kematangan Buah Rambutan Berdasarka Warna Menggunakan Metode Discrete Cosine Transform,” vol. 2, no. 1, pp. 40–47, 2018.
[2] Indrawati, “Klasifikasi Kematangan Jeruk Lemon Menggunakan,” vol. 2, no. 2, pp. 21–26, 2017.
[3] A. K. Gracelia Adelaida Bere, Elizabeth Nurmiyati Tamatjita, “Klasifikasi untuk menentukan kematangan Buah Pisang Sunpride,” 2016.
[4] L. C. Munggaran, “Klasifikasi Karakter Tulisan Tangan Berdasarkan Pola Segmen,” 2010.
[5] A. D. Hariyanto, “PROTOTIPE PEMILAH KEMATANGAN BUAH PISANG BERDASARKAN WARNANYA MENGGUNAKAN CONVEYOR,” 2017.
[6] P. Rianto, A. Harjoko, J. Fisika, U. Papua, P. P. Barat, and U. G. Mada, “Penentuan Kematangan Buah Salak Pondoh Di Pohon Berbasis Pengolahan Citra Digital,” vol. 11, no. 2, pp. 143–154, 2017.
[7] E. Budianita, J. Jasril, and L. Handayani, “Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi Berbasis Web,” Jurnal Sains dan Teknologi Industri, vol. 12, no. Vol 12, No 2 (2015): Juni 2015, pp. 242–247, 2015, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/sitekin/article/view/1005
[8] G. H. Yogiswara, R. Magdalena, H. F. T. S. P, F. T. Elektro, and U. Telkom, “Identifikasi Jenis Penyakit Pada Kakao Dengan Pengolahan Citra Digital Dan K-Nearest Neighbor Cacao Disease Identification Using Digital Image Processing and,” in e-Proceeding Engineering, 2016, vol. 3, no. 1, pp. 0–6.
[9] A. Bode, “K-Nearest Neighbor Dengan Feature Selection Menggunakan Backward Elimination Untuk Prediksi Harga Komoditi Kopi Arabika,” ILKOM Jurnal Ilmiah, vol. 9, no. 2, p. 188, 2017, doi: 10.33096/ilkom.v9i2.139.188-195.
[10] S. Ferdiana, R. Enggar, and R. Dijaya, “Otomatisasi klasifikasi kematangan buah Mengkudu berdasarkan warna dan tekstur,” vol. 3, no. 1, pp. 17–23, 2017.
[11] E. T. L. Kaharuddin, Kusrini, “Klasifikasi Jenis Rempah - Rempah Berdasarkan Fitur Warna RGB Dan Tekstur Menggunakan Algoritma K-Nearest Neighbor,” vol. 4, no. 1, 2019.
[12] Eliyani, Tulus, and F. Fahmi, “Pengenalan Tingkat Kematangan Buah Pepaya Paya Rabo Menggunakan Pengolahan Citra Berdasarkan Warna RGB Dengan K-Means Clustering,” Singuda Ensikom: Image Processing, vol. Image Proc, no. Special Issue 2013, pp. 1–5, 2013, [Online]. Available: https://jurnal.usu.ac.id/singuda_ensikom/article/view/5736
[13] B. S. Hutagaol and B. S. Hutagaol, “EKSTRAKSI FITUR RGB COLOR CHANNEL DAN SIMPLE MORPHOLOGICAL SHAPE DESCRIPTORS DARI CITRA MAKANAN UNTUK PENCARIAN RESEP MAKANAN memperoleh gelar Sarjana Komputer,” vol. 3, no. 3, pp. 2923–2928, 2019.
[14] F. Wibowo and A. Harjoko, “Klasifikasi Mutu Pepaya Berdasarkan Ciri Tekstur GLCM Menggunakan Jaringan Saraf Tiruan,” Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika, vol. 3, no. 2, p. 100, Jan. 2018, doi: 10.23917/khif.v3i2.4516.
[15] C. Jatmoko and D. Sinaga, “Ekstrasi Fitur GLCM Pada K-NN Dalam Mengklasifikasi Motif Batik,” pp. 978–979, 2019.
[16] T. Sutojo, P. S. Tirajani, D. R. I. M. Setiadi, C. A. Sari, and E. H. Rachmawanto, “CBIR for classification of cow types using GLCM and color features extraction,” in 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE), Nov. 2017, pp. 182–187. doi: 10.1109/ICITISEE.2017.8285491.
[17] E. Wijaya, “Implementation Analysis of GLCM and Naive Bayes Methods in Conducting Extractions on Dental Image,” in IOP Conference Series: Materials Science and Engineering, 2018, vol. 407, no. 1. doi: 10.1088/1757-899X/407/1/012146.
[18] Indrawati, “Klasifikasi Kematangan Jeruk Lemon Menggunakan,” vol. 2, no. 2, pp. 21–26, 2017.
[19] C. Paramita, E. Hari Rachmawanto, C. Atika Sari, and D. R. Ignatius Moses Setiadi, “Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 4, no. 1, pp. 1–6, 2019, doi: 10.30591/jpit.v4i1.1267.
[20] P. Rianto, A. Harjoko, J. Fisika, U. Papua, P. P. Barat, and U. G. Mada, “Penentuan Kematangan Buah Salak Pondoh Di Pohon Berbasis Pengolahan Citra Digital,” vol. 11, no. 2, pp. 143–154, 2017.
[21] S. A. Naufal and W. Astuti, “Analisis Perbandingan Klasifikasi Support Vector Machine ( SVM ) dan K-Nearest Neighbors ( KNN ) untuk Deteksi Kanker dengan Data Microarray,” vol. 7, no. 1, pp. 162–168, 2020, doi: 10.30865/jurikom.v7i1.2014.
[22] A. A. Kasim and A. Harjoko, “Klasifikasi Citra Batik Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level Co- Occurrence Matrices ( GLCM ),” Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Yogyakarta, 21 Juni 2014, pp. 7–13, 2014.
[23] M. P. Vaishnnave, K. Suganya Devi, P. Srinivasan, and G. Arutperumjothi, “Detection and classification of groundnut leaf diseases using KNN classifier,” 2019 IEEE International Conference on System, Computation, Automation and Networking, ICSCAN 2019, pp. 1–5, 2019, doi: 10.1109/ICSCAN.2019.8878733.
[24] P. M. Kamble and R. S. Hegadi, “Geometrical Features Extraction and KNN Based Classification of Handwritten Marathi Characters,” Proceedings - 2nd World Congress on Computing and Communication Technologies, WCCCT 2017, pp. 219–222, 2017, doi: 10.1109/WCCCT.2016.61.
[25] S. Taneja, C. Gupta, S. Aggarwal, and V. Jindal, “MFZ-KNN-A Modified Fuzzy Based K Nearest Neighbor Algorithm,” 2015.
[26] M. M. K. Neighbor, C. Rahmad, M. Astiningrum, N. B. Purnomo, and A. P. Candi, “Identifikasi Dan Prediksi Tingkat Kematangan Pisang Candi Dengan Fitur Warna Dan Tekstur Menggunakan Metode K-Nearest Neighbor,” pp. 188–193.
[27] S. Sanjaya et al., “K-Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue , Saturation , and Value Colors,” vol. 2, no. 2, pp. 101–106, 2019.
[28] T. Yusuf, A. Harjoko, P. Studi, and J. Ilmu, “Metode Klasifikasi Mutu Jambu Biji Menggunakan KNN Berdasarkan Fitur Warna Dan Tekstur,” vol. 6131, pp. 113–123, 2017, doi: 10.22146/teknosains.26972.
[29] A. Fadlil et al., “Sistem Identifikasi Citra Kayu Berdasarkan Tekstur Menggunakan Gray Level Coocurrence Matrix ( GLCM ),” pp. 181–186, 2015.
[30] Z. E. Fitri, “Penentuan Tingkat Kematangan Cabe Rawit ( Capsicum frutescens L .) Berdasarkan Gray Level Co-Occurrence Matrix,” vol. 7, no. 1, pp. 1–5, 2020.
[31] F. Ayu, L. Irawan, and N. Rokhman, “Classification of Tangerine ( Citrus Reticulata Blanco ) Quality Using Combination of GLCM , HSV , and K-NN,” vol. 13, no. 4, pp. 357–368, 2019.
[32] S. Ferdiana, R. Enggar, and R. Dijaya, “Otomatisasi klasifikasi kematangan buah Mengkudu berdasarkan warna dan tekstur,” vol. 3, no. 1, pp. 17–23, 2017.
[33] E. T. L. Kaharuddin, Kusrini, “Klasifikasi Jenis Rempah - Rempah Berdasarkan Fitur Warna RGB Dan Tekstur Menggunakan Algoritma K-Nearest Neighbor,” vol. 4, no. 1, 2019.
[34] Novan and A. R. Ridwan, “Klasifikasi Jenis Buah Apel Dengan Methode K-Nearest Neighbors,” vol. 08, pp. 74–78, 2019.
[35] F. W. Sigit Sugiyanto, “Klasifikasi Tingkat Kematangan Buah Pepaya (Carica Papaya L) California (Callina-IPB 9) Dalam Ruang Warna HSV Dan Algoritma K-Nearest Neighbors,” no. November, pp. 335–341, 2015.
How to Cite
[1]
H. P. Hadi and E. H. Rachmawanto, “EKSTRAKSI FITUR WARNA DAN GLCM PADA ALGORITMA KNN UNTUK KLASIFIKASI KEMATANGAN RAMBUTAN”, JIP, vol. 8, no. 3, pp. 63-68, Jun. 2022.