Klasifikasi Tingkat Kematangan Buah Tomat menggunakan Computer Vision untuk Smart Agriculture
DOI:
https://doi.org/10.53513/jis.v22i2.8387Abstract
Klasifikasi tingkat kematangan buah tomat merupakan salah satu aspek penting dalam industri pertanian. Identifikasi yang akurat dan efisien terhadap kematangan buah tomat dapat membantu petani dalam mengelola panen dengan lebih baik dan meningkatkan produktivitas pertanian secara keseluruhan. Untuk itu, penelitian ini bertujuan untuk mengklasifikasian kematangan buah tomat secara otomatis dengan pemanfaatan computer vision dan kecerdasan buatan menuju smart agriculture. Klasifikasi dilakukan menjadi 3 kategori kelas yaitu belum matang, setengah matang dan matang. Adapun total dataset yang digunakan pada penelitian ini adalah 240 citra tomat yang terdiri dari 180 data latih dan 60 data uji. Proses yang dilakukan menggunakan metode segmentasi HSV dengan nilai lower upper H [0-77], S [48-255] dan V [33-212].  Sedangkan proses klasifikasi menggunakan algoritma Support Vector Machine dengan kernel RBF dengan nilai parameter C = 7 and γ = 10-2. Hasil pengujian menunjukkan sistem yang digunakan memberikan kinerja terbaik dengan hasil akurasi 100% sehingga dapat diimplementasikan dengan baik dan memberikan kontribusi teknologi dalam peningkatan pasca panen menuju revolusi Industri 4.0.Kata Kunci : Klasifikasi, Tomat, HSV, Computer Vision, Smart AgricultureÂReferences
R. M. Sari, E. Maulana Sy., R. N. Sesanti, and F. Ali, “Pengaruh Tingkat Kemasakan dan Konsentrasi Kitosan Terhadap Mutu dan Kualitas Buah Tomat (Solanum Lycopersicum L.): Effect of Maturity Stages and Chitosan Consentrationto Quality of Tomatoes (Solanum lycopersicum L.),†J-Plantasimbiosa, vol. 3, no. 1, pp. 34–44, May 2021, doi: 10.25181/jplantasimbiosa.v3i1.1977.
R. Y. Dewi, “Klasifikasi Kualitas Tomat Buah Menggunakan Video Processing,†Universitas Hasanuddin Makassar, 2021. [Online]. Available: http://repository.unhas.ac.id/id/eprint/4200/
P. Das and J. P. S. Yadav, “Automated Tomato Maturity Grading System using CNN,†in 2020 International Conference on Smart Electronics and Communication (ICOSEC), Trichy, India: IEEE, Sep. 2020, pp. 136–142. doi: 10.1109/ICOSEC49089.2020.9215451.
C. A. Sari et al., “Papaya Fruit Type Classification using LBP Features Extraction and Naive Bayes Classifier,†in 2020 International Seminar on Application for Technology of Information and Communication (iSemantic), Semarang, Indonesia: IEEE, Sep. 2020, pp. 28–33. doi: 10.1109/iSemantic50169.2020.9234240.
M. F. Mohamedon, F. Abd Rahman, S. Y. Mohamad, and O. Omran Khalifa, “Banana Ripeness Classification Using Computer Vision-based Mobile Application,†in 2021 8th International Conference on Computer and Communication Engineering (ICCCE), Kuala Lumpur, Malaysia: IEEE, Jun. 2021, pp. 335–338. doi: 10.1109/ICCCE50029.2021.9467225.
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,†J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 1–6, Jan. 2019, doi: 10.30591/jpit.v4i1.1267.
C. Irawan and E. Hari Rachmawanto, “Ektraksi HSV dan GLCM dalam Metode K-NN Untuk Klasifikasi Tingkat Kematangan Buah Mengkudu,†Pros. SNAST, pp. D16-25, Nov. 2022, doi: 10.34151/prosidingsnast.v8i1.4150.
J. Pardede, M. G. Husada, A. N. Hermana, and S. A. Rumapea, “Fruit Ripeness Based on RGB, HSV, HSL, L a b Color Feature Using SVM,†in 2019 International Conference of Computer Science and Information Technology (ICoSNIKOM), Nov. 2019, pp. 1–5. doi: 10.1109/ICoSNIKOM48755.2019.9111486.
J. A. M. Galindo, J. E. C. Rosal, and J. F. Villaverde, “Ripeness Classification of Cacao Using Cepstral-Based Statistical Features and Support Vector Machine,†in 2022 IEEE International Conference on Artificial Intelligence in Engineering and Technology (IICAIET), Sep. 2022, pp. 1–5. doi: 10.1109/IICAIET55139.2022.9936807.
E. J. L. Aguilar, G. K. P. Borromeo, and J. Flores Villaverde, “Determination of Pineapple Ripeness Using Support Vector Machine for Philippine Standards,†in 2021 IEEE 7th International Conference on Control Science and Systems Engineering (ICCSSE), Jul. 2021, pp. 283–287. doi: 10.1109/ICCSSE52761.2021.9545163.
I. A. Sabilla, C. S. Wahyuni, C. Fatichah, and D. Herumurti, “Determining Banana Types and Ripeness from Image using Machine Learning Methods,†in 2019 International Conference of Artificial Intelligence and Information Technology (ICAIIT), Mar. 2019, pp. 407–412. doi: 10.1109/ICAIIT.2019.8834490.
I. Indrabayu, N. Arifin, and I. S. Areni, “Strawberry Ripeness Classification System Based On Skin Tone Color using Multi-Class Support Vector Machine,†in 2019 International Conference on Information and Communications Technology (ICOIACT), Yogyakarta, Indonesia: IEEE, Jul. 2019, pp. 191–195. doi: 10.1109/ICOIACT46704.2019.8938457.
Ismail, Nurhikma Arifin, and Prihastinur, “Klasifikasi Kematangan Buah Naga Berdasarkan Fitur Warna menggunakan Algoritma Multi-Class Support Vector Machine,†J. Inform. Teknol. Dan Sains, vol. 5, no. 1, pp. 121–126, Feb. 2023, doi: 10.51401/jinteks.v5i1.2203.
H. Azarmdel, A. Jahanbakhshi, S. S. Mohtasebi, and A. R. Muñoz, “Evaluation of image processing technique as an expert system in mulberry fruit grading based on ripeness level using artificial neural networks (ANNs) and support vector machine (SVM),†Postharvest Biol. Technol., vol. 166, p. 111201, Aug. 2020, doi: 10.1016/j.postharvbio.2020.111201.
L. Zhu and P. Spachos, “Support vector machine and YOLO for a mobile food grading system,†Internet Things, vol. 13, p. 100359, Mar. 2021, doi: 10.1016/j.iot.2021.100359.
M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,†J. Media Inform. Budidarma, vol. 5, no. 2, 2021, doi: http://dx.doi.org/10.30865/mib.v5i2.2937.
A. A. MahersatillahSuradi, M. F. Rasyid, and M. Rizal, “Deteksi Tingkat Kematangan Buah Apel Menggunakan Segmentasi Ruang Warna HSV,†no. 1, 2023.
