Abstract
Mutu buah merupakan hal yang sangat penting dalam hasil produksi buah-buahan. Namun saat ini proses klasifikasi mutu masih dilakukan secara manual, sehingga menimbulkan subjektifitas. Teknologi informasi diperlukan untuk mempercepat proses klasifikasi mutu dan membuatnya menjadi objektif. Dalam proses pengklasifikasian mutu buah belimbing diperlukan pengolahan dari citra digital buah belimbing. Data citra buah belimbing digunakan dalam proses pelatihan sistem agar dapat mengklasifikasikan mutu. Maka diperlukan metode ekstraksi ciri yang baik agar mendapatkan nilai tekstur yang bagus. Dengan memanfaatkan hasil dari metode ekstraksi cirri maka dapat digunakan untuk mengklasifikasikan mutu buah belimbing. Penentuan mutu belimbing dilakukan dengan menganalisis fitur warna, tekstur dari citra digital belimbing yang akan dijadikan sampel data penelitian dengan menerapkan metode gray level co-occurrence matrix (glcm) sebagai ekstrasi ciri dan Learning Vector Quantizaion (LVQ) sebagai metode pelatihan untuk pengenalan mutu belimbing. Klasifikasi mutu di bedakan ke dalam 3 kelas, yaitu belimbing grade A merupakan belimbing yang bebasdarikerusakan. Grade B memilikiketentuancacatmaksimumsebesar 10% dan Grade C memiliki ketentuan cacat maksimum sebesar 15%. Penelitian ini menunjukkan aplikasi yang dapat menampilkan klasifikasi mutu buah belimbing sesuai kelas
References
Statistik Produksi Holtikultura Tahun 2014. Jakarta: Direktorat Jenderal Hortikultura Kementerian Pertanian.
Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Yogyakarta: Penerbit Andi.
Brawijaya Wiharja, Y. P. & Harjoko, A., 2014. Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah Pisang Menggunakan Jaringan Syaraf Tiruan. IJEIS, Volume 4, pp. 57-68.
Agustian, W., Setyaningsih, S. & Qur'ania, A.,2017. Klasifikasi Buah Jeruk
Menggunakan Metode Naive Bayes
Berdasarkan Analisis Tekstur dan
Normalisasi Warna. Program Studi Ilmu
Komputer FMIPA Universitas Pakuan
Siqueira, F. R. d., Schwartz, W. R. & Pedrini, H.,
Multi-scale Gray Level Cooccurrence Matrices for Texture
Description. Neuro computing, Volume
, pp. 336-345
Surya, R. A., Fadhil, A. &Yudhana, A., 2017.
Ekstraksi Ciri Metode Gray Level CoOccurrence Matrix (GLCM) dan Filter
Gabor Untuk Klasifikasi Citra Batik
Pekalongan. Jurnal Informatika: Jurnal
Pengembangan IT, Volume 02.
Standar Nasional Indonesia, 2009. SNI 3165:2009, Jakarta: Badan Standardisasi Nasional (BSN).
Kusumadewi, S. et al. 2006. Fuzzy Multi-Attribute Decision Making (FUZZY
MADM). GrahaIlmu. Yogyakarta.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2020 M. Debby Candra Setiawan, Intan Nur Farida, Ratih Kumalasari Niswatin