KLASIFIKASI KUALITAS BUAH MANGGIS BERDASARKAN TEKSTUR DAN FITUR WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS PENGOLAHAN CITRA DIGITAL

Muh Raenaldy; Faldi Firmansyah; Muh Yasin Kadir; Jessica Crisfin Lapendy; Muh. Akbar

doi:10.61255/decoding.v2i2.546

Authors

Muh Raenaldy Universitas Negeri Makassar
Faldi Firmansyah Universitas Negeri Makassar
Muh Yasin Kadir Universitas Negeri Makassar
Jessica Crisfin Lapendy Universitas Negeri Makassar
Muh. Akbar Universitas Negeri Makassar

DOI:

https://doi.org/10.61255/decoding.v2i2.546

Keywords:

Jaringan Syaraf Tiruan, Klasifikasi, Pemrosesan Citra, Kematangan, Manggis

Abstract

Masalah dalam proses penyortiran buah manggis di Indonesia adalah masih dilakukan secara manual, mengakibatkan ketidakkonsistenan dan rendahnya akurasi dalam klasifikasi kualitas buah. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kematangan buah manggis secara otomatis menggunakan metode Jaringan Syaraf Tiruan (JST) berbasis pengolahan citra digital. Metode yang digunakan mencakup enam tahapan: akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, dan klasifikasi. Hasil penelitian menunjukkan bahwa metode JST dapat mengklasifikasikan buah manggis dalam tiga kelas tingkat kematangan (belum matang, setengah matang, dan matang) dengan akurasi 100% baik pada data latih maupun data uji. Fitur terbaik diperoleh dari kombinasi RGB + tekstur (contrast + homogeneity) dengan waktu komputasi paling efisien (136,61 detik untuk data latih dan 28,13 detik untuk data uji). Metode JST terbukti lebih efektif dibandingkan metode klasifikasi lainnya seperti Naive Bayes dan KNN, khususnya dalam menghadapi data berdimensi tinggi. Penelitian ini menyimpulkan bahwa sistem klasifikasi berbasis JST dapat diimplementasikan untuk meningkatkan efisiensi dan akurasi penyortiran buah manggis secara industri.

Abstract views: 235 ,

PDF downloads: 242

Downloads

Download data is not yet available.

References

Badan Pusat Statistik Indonesia. (10 Juni 2024). Produksi Tanaman Buah-buahan, 2022. Diakses pada 18 September 2025, dari https://www.bps.go.id/id/statistics-table/2/NjIjMg==/produksi-tanaman-buah-buahan.html

Hariance, R., Paloma, C., Raesi, S., & Putri, A. (2023). Identifikasi sumber risiko produksi manggis di Kampung Tematik Pauh Kota Padang. Jurnal Agri Sains, 7(2). http://ojs.umb-bungo.ac.id/index.php/JAS/index

Aizat, W., Jamil, I., Ahmad-Hashim, F., & Noor, N. (2019). Recent updates on metabolite composition and medicinal benefits of mangosteen plant. PeerJ, 7. https://doi.org/10.7717/peerj.6324.

Bi, C., Xu, H., Yu, J., Ding, Z., & Liu, Z. (2023). Botanical characteristics, chemical components, biological activity, and potential applications of mangosteen. PeerJ, 11. https://doi.org/10.7717/peerj.15329.

Hariance, R., Paloma, C., Raesi, S., & Putri, A. (2023). Identifikasi sumber risiko produksi manggis di Kampung Tematik Pauh Kota Padang. Jurnal Agri Sains, 7(2). http://ojs.umb-bungo.ac.id/index.php/JAS/index

Nandi, C., Tudu, B., & Koley, C. (2012). An automated machine vision based system for fruit sorting and grading. 2012 Sixth International Conference on Sensing Technology (ICST), 195-200. https://doi.org/10.1109/ICSENST.2012.6461669.

Sholikhati, A., Rahmawati, R. P., & Kurnia, S. D. (2022). Penggunaan kulit manggis (Garcinia mangostana) sebagai imunostimulan dalam bidang akuakultur (artikel review). http://journal.unmasmataram.ac.id/index.php/GARA

Fadhilah, M., & Rochdiani, D. (2021). Analisis pendapatan petani usahatani manggis di Desa Simpang Sugiran Kecamatan Guguak Kabupaten Limapuluh Kota. Jurnal Pemikiran Masyarakat Ilmiah Berwawasan Agribisnis, 7(1).

Agung, A. S., Dirgantara, A. F., Kaswar, A. B., & Andayani, D. D. (2023). Classification of tomato quality based on color features and skin characteristics using image processing-based artificial neural network. Jurnal Teknik Informatika (JUTIF), 4(5), 1021–1032. https://doi.org/10.52436/1.jutif.2023.4.5.780

Yusri, M. N., Ramadhani, I. P., & Kaswar, A. B. (2021). Identifikasi kualitas telur ayam berbasis pengolahan citra digital dan jaringan syaraf tiruan. Journal of Embedded System Security and Intelligent System, 2(1).

Hakim, L., Rahmanto, H. R., Kristianto, S. P., & Yusuf, D. (2023). Klasifikasi citra motif batik Banyuwangi menggunakan convolutional neural network (Vol. 17, Issue 1). https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index

Firlansyah, A., Kaswar, A. B., & Risal, A. A. N. (2021). Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi.

Fadjeri, A., Setyanto, A., & Kurniawan, M. P. (2020). Pengolahan citra digital untuk menghitung ekstrasi ciri greenbean kopi robusta dan arabika (studi kasus: Kopi Temanggung). Jurnal Teknologi Informasi Dan Komunikasi (TIKomSiN), 8(1). https://doi.org/10.30646/tikomsin.v8i1.462

Trianto, G. A., Sinaga, F. J., Marzuki, M. F., & Qorni, Q. AL. (2022). Operasi opening dan closing pada pengolahan citra digital menggunakan Matlab. MDP Student Conference (MSC) 2022.

Kaswar, A. B., Adiba, F., & Andayani, D. D. (2023). Sistem klasifikasi tingkat kematangan buah cabai katokkon berdasarkan fitur warna LAB menggunakan artificial neural network backpropagation.

Limena, M., Maslebu, G., & Rondonuwu, F. S. (2021). Pemanfaatan citra kamera inframerah thermal (KIT) untuk mendeteksi area inflamasi pada tubuh manusia. Jurnal Teknosains, 11(1), 43–50. https://jurnal.ugm.ac.id/teknosains

Saputro, A., Mu’min, S., Lutfi, Moch., & Putri, H. (2022). Deep transfer learning dengan model arsitektur VGG16 untuk klasifikasi jenis varietas tanaman lengkeng berdasarkan citra daun. Jurnal Mahasiswa Teknik Informatika, 6(2).

Gill, H., & Khehra, B. (2021). Hybrid classifier model for fruit classification. Multimedia Tools and Applications, 80, 27495 - 27530. https://doi.org/10.1007/s11042-021-10772-9.

Gill, H., Khalaf, O., Alotaibi, Y., Alghamdi, S., & Alassery, F. (2022). Fruit Image Classification Using Deep Learning. Computers, Materials & Continua. https://doi.org/10.32604/cmc.2022.022809.

Zhang, Y., Khairuddin, A., Chuah, J., Zhao, X., & Huang, J. (2024). An intelligent mangosteen grading system based on an improved convolutional neural network. Signal Image Video Process., 18, 8585-8595. https://doi.org/10.1007/s11760-024-03492-8.

Seeland, M., & Mäder, P. (2021). Multi-view classification with convolutional neural networks. PLoS ONE, 16. https://doi.org/10.1371/journal.pone.0245230.

Puda, T., & Škuta, J. (2021). Use of Industrial System Solutions for Image Processing. 2021 22nd International Carpathian Control Conference (ICCC), 1-4. https://doi.org/10.1109/ICCC51557.2021.9454653.

Batzner, K., Heckler, L., & König, R. (2023). EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies. 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 127-137. https://doi.org/10.1109/WACV57701.2024.00020.