Ekstraksi Fitur HSV dan GLCM Untuk Klasifikasi Varietas Buah Rambutan Menggunakan Multilayer Perceptron

Abstract

Identifikasi jenis buah rambutan secara manual masih bergantung pada persepsi visual manusia yang bersifat subjektif dan rentan terhadap ketidakkonsistenan, terutama pada varietas yang memiliki kemiripan karakter visual. Penelitian ini mengembangkan sistem klasifikasi jenis buah rambutan berbasis citra digital menggunakan kombinasi ekstraksi fitur warna HSV dan tekstur GLCM dengan metode Multilayer Perceptron (MLP). Dataset yang digunakan terdiri dari 298 citra tiga varietas rambutan, yaitu Kuning, Aceh, dan Binjai, yang diperoleh dari platform Kaggle. Tahap preprocessing meliputi resize citra menjadi 128×128 piksel, konversi RGB ke HSV dan grayscale, normalisasi Z-Score, serta augmentasi data yang menghasilkan lima variasi per citra sehingga volume data latih meningkat lima kali lipat. Ekstraksi fitur menghasilkan 18 fitur yang terdiri dari 12 fitur HSV dan 6 fitur GLCM. Model MLP dibangun dengan tiga hidden layer berukuran 128, 64, dan 32 neuron dilengkapi BatchNormalization, regularisasi L2, dan Dropout. Melalui tiga skenario pengujian bertahap, model final mencapai akurasi sebesar 85,42% dengan macro average precision 0,86, recall 0,85, dan F1-score 0,85, membuktikan bahwa kombinasi fitur HSV dan GLCM efektif dalam membedakan ketiga varietas buah rambutan secara otomatis dan objektif.