IJCIT
(Indonesian Journal on Computer and Information Technology)
Journal Homepage: http://ejournal.bsi.ac.id/ejurnal/index.php/ijcit
ABSTRAK
Banyak teknologi yang sudah ditemukan, salah satunya adalah pengolahan citra digital. Identifikasi pada
sebuah citra sudah lama dikembangkan, salah satunya dengan membedakan tekstur pada citra tersebut.
Tekstur citra dapat dibedakan oleh kerapatan, keseragaman, kekasaran dan keteraturan dari citra yang
diteliti. Agriculture saat ini sedang ramai dibahas khususnya di indonesia. Banyak sekali penelitian yang
dilakukan dalam sektor pertanian guna memajukan sektor pertanian itu sendiri. Dalam penelitian kali ini
yaitu ekstraksi fitur menggunakan Hu-moment, Haralick dan Histogram dan klasifikasi menggunakan
algoritma Random Forest. Peneliti mencoba mengklasifikasi buah-buahan segar atau busuk, dengan
algoritma yang digunakan yaitu algoritma Random Forest. Penelitian ini mendapatkan akurasi yang sangat
tinggi yakni 99.6% sangat baik sekali. Namun guna memperbaharui penelitian bisa mencoba beberapa
fitur dan algorithma yang berbeda agar mendapatkan perbandingan atau hasil yang lebih maksimal.
Kata Kunci: ekstraksi fitur, hu-moment haralick dan histogram, random forest.
ABSTRACTS
Various technologies have been discovered, one of which is digital image processing. Identification in an
image has been developed for a long time, one of which is by distinguishing the texture of the image. Image
texture can be distinguished based on the density, uniformity, roughness and regularity of the image under
study. Agriculture is currently a topic of discussion especially in Indonesia. A lot of research has been carried
out in the agriculture sector to propose the agriculture sector itself. In this study, feature extraction using
Hu-Moment, Haralick and Histogram and classification using the Random Forest algorithm. Researchers
tried to classify fresh or rotten fruit, with the algorithm used, the Random Forest algorithm. This Research
obtained a very high accuracy of 99.6% which is very good. But to update your research, you can try several
different features and algorihtms to get the best comparison or result.
Keywords: feature extraction, hu-moment haralick and histogram, random forest
Jurnal ini dapat diakses secara terbuka dan memiliki lisensi CC-BY-SA
(https://creativecommons.org/licenses/by-sa/4.0/) ©2021 by penulis dan IJCIT
58 | Vol. 6 No.1, Mei 2021 Hal. 57-62
Mutu buah apel, pisang dan jeruk yang baik apel, pisang dan jeruk yang direpresentasikan
sangat ditentukan oleh tingkat ketuaan buah dari sisi tekstur dan warnanya. Manfaat dari
dan penampakannya, secara fisik sebenarnya penelitian ini yaitu dapat menghemat waktu dan
mudah dilihat karena tanda-tanda yang ada memudahkan dalam pengklasifikasian sesuai
pada buah segar atau busuk mudah diamati. dengan yang diinginkan oleh petani buah.
Namun untuk mendapatkan hasil yang lebih Pengklasifikasian juga bisa diperoleh pada
akurat perlu di lakukan penelitian lebih lanjut waktu yang tepat dan akurasi yang lebih tinggi
pengenai klasifikasi buah yang segar dan busuk. oleh metode yang dilakukan pada penelitian ini.
Proses klasifikasi kematangan buah sangat Sektor pertanian terus menjadi instrumen
penting, klasifikasi kematangan buah saat ini fundamental pembangunan berkelanjutan dan
kebanyakan masih menggunakan metode pengentasan kemiskinan di abad ke-21,
manual, yaitu penilaian subjektif dari petani. pertanian berkontribusi pada pembangunan
Kelemahan dari metode ini adalah sebagai kegiatan ekonomi. Setiap pembangunan
menghasilkan produk yang beragam karena pertanian harus dilakukan dengan
adanya keterbatasan visual manusia, tingkat memindahkan pekerja pertanian (sektor
kelelahan dan perbedaan persepsi tentang mutu tradisional) ke sektor non pertanian (sektor
buah. modern) (Moeis et al., 2020).
Seiring dengan perkembangan zaman, Menurut (Sapto, 2008) Tantangan
teknologi berkembang dengan pesat saat ini. globalisasi hanya dapat dimanfaatkan dengan
Dengan perkembangan teknologi sekarang ini meningkatkan daya saing. Daya saing yang tinggi
memudahkan semua orang mengakses apa saja. dicirikan dengan tingginya produktivitas, mutu
Banyak teknologi yang sudah ditemukan salah dan efisiensi usaha. Sementara itu pesatnya
satunya adalah pengolahan citra digital. pengembangan teknologi dan derasnya arus
Identifikasi pada sebuah citra sudah lama informasi teknologi, harus dapat ditangkap dan
dikembangkan salah satunya dengan dimanfaatkan untuk pengembangan sistem
membedakan tekstur pada citra tersebut. usaha agribisnis.
Tekstur citra dapat dibedakan oleh kerapatan, Penelitian sebelumnya oleh (Bhargava &
keseragaman, kekasaran dan keteraturan(Y. Bansal, 2020) menelaskan tentang kasifikasi
Garis K, I. Santoso, 2011). Sebuah komputer berbagai jenis buah dan identifikasi grading
tidak dapat membedakan tekstur seperti halnya buah merupakan tantangan yang memberatkan
penglihatan manusia, maka digunakan analisis akibat produksi massal produk buah. Untuk
tekstur untuk mengetahui pola dari suatu citra membedakan dan mengevaluasi kualitas buah
digital. Analisis tekstur akan menghasilkan nilai secara lebih tepat, penelitian tersebut
dari ciri atau karakteristik tekstur yang nilai dari menyajikan sistem yang membedakan empat
ciri atau karakteristik tekstur yang kemudian jenis buah dan menganalisis peringkat buah
dapat diolah sebuah komputer untuk proses berdasarkan kualitasnya. Pertama, algoritme
klasifikasi (I. Permatasari dan T. Sutojo, 2016). mengekstrak nilai merah, hijau, dan biru dari
Pengertian klasifikasi yaitu proses gambar dan kemudian latar belakang gambar
pengelompokan, artinya memisahkan dipisahkan dengan algoritme split-and-merge.
benda/entitas yang tidak sama. Klasifikasi Selanjutnya, beberapa fitur (30 fitur) yaitu fitur
menganalisis sifat numerik gambar fitur dan warna, statistik, tekstur, dan geometri
mengatur data ke dalam berbagai kategori diekstraksi. Untuk membedakan jenis buah,
(Syahid et al., 2016). hanya fitur geometri (12 fitur), fitur lain
Pada penelitian kali ini akan melakukan digunakan dalam evaluasi kualitas buah.
proses pengklasifikasian antara buah segar dan Selanjutnya empat pengklasifikasi berbeda k-
busuk menggunkan Ekstraksi Fitur Warna neighbourhood (k-NN), support vector machine
menggunakan Hu-moment, Haralick dan (SVM), sparse representative classifier (SRC),
Histogram, untuk mengetahui tingkat akurasi dan artificial neural network (ANN) digunakan
menggunakan algoritma random forest. Model untuk mengklasifikasikan kualitas.
warna dalam citra digital telah benyak Penelitian terkait selanjutnya pernah di
dikembangkan oleh para ahli seperti model lakukan oleh (Rahmad et al., n.d.) dalam
warna RGB. Penelitian ini mencoba mengangkat penelitiannya mencoba mengidentifikasi tingkat
permasalahan baru dalam klasifikasi buah apel, kesegaran buah secara cepat dengan
pisang dan jeruk, yaitu mengklasifikasikan menggunakan mikrokontroler arduino uno dan
perbedaan buah segar atau busuk pada buah ditambah dengan beberapa komponen seperti
sensor TCS3200, sensor DHTII, LCD 16x2, deteksi objek menggunakan SSD dan SSDLite
Arduino IDE, Regulator tegangan dan beberapa dengan MobileNetV2 sebagai ekstraktor fitur.
komponen lainnya yang dirancang untuk dapat Dalam penelitian ini, kami menunjukkan
menentukan kesegaran buah. hasil awal pada model deteksi objek untuk enam
Penelitian terkait ketiga yang pernah kategori kelas buah segar dan busuk, kami
dilakukan oleh (Ananthanarayana et al., 2020) mencoba memberikan kebaruan dengan nilai
menunjukkan hasil awal pada model deteksi akurasi yang lebih tinggi dengan cara mencoba
objek untuk enam kategori buah yang sama. 000 tiga feature extraction dan metode yang
gambar RGB dari enam kategori buah. Model ini berbeda yaitu Random Forest dengan hasil
mencapai akurasi 97% pada platform edge akurasi 99,6% lebih tinggi dari penelitian terkait
menggunakan kamera 13 MP ON Semiconductor sebelumnya yang menggunakan dataset sama.
dengan sensor AR1335. Selain model klasifikasi
gambar, pekerjaan sedang berlangsung untuk 2. METODE PENELITIAN
meningkatkan akurasi deteksi objek Untuk melakukan penelitian kali ini yang
menggunakan SSD dan SSDLite dengan pertama harus dilakukan adalah pengumpulan
MobileNetV2 sebagai ekstraktor fitur. Dalam dataset sebagai data latih dan data uji.
makalah ini, kami menunjukkan hasil awal pada Kemudian Segmentasi dan ekstraksi ciri
model deteksi objek untuk enam kategori buah dilakukan pada masing-masing citra latih dan
yang sama. 000 gambar RGB dari enam kategori citra uji. Kemudian untuk pengenalan buah
buah. Model ini mencapai akurasi 97% pada segar atau busuk berdasarkan informasi ciri
platform edge menggunakan kamera 13 MP ON tersebut menggunakan ekstraksi fitur Hu-
Semiconductor dengan sensor AR1335. Selain moment, Harlick dan Histogram. Dan untuk
model klasifikasi gambar, pekerjaan sedang metode yang di pakai dalam menentukan
berlangsung untuk meningkatkan akurasi akurasi adalah metode Random Forest.
Dataset ini melalui beberapa seleksi di tersedia terdapat sample kelas citra yang
antara beberapa dataset yang tersedia di tersedia dari buah apel, pisang dan jeruk. Dari
Kaggle.com. alasan memilih dataset ini karena jumlah dataset 10.901 terdapat 1.693 citra
penelitian ini baru beberapa kali di kembangkan buah apel segar, 1.581 citra pisang segar, 1.466
sehingga peneliti ingin mencoba untuk citra jeruk segar, 2.342 citra buah apel busuk,
mengembangkannya. Penelitian ini 2.224 citra buah pisang busuk, dan 1.595 citra
memaparkan tentang klasifikasi perbedaan jeruk busuk.
buah segar dan busuk dengan sample buah apel,
pisang dan jeruk. Dataset ini berumlah 10.901
dataset yang terbagi dari 6 kelas. Penelitian ini
memaparkan klasifikasi perbedaan buah segar
dan busuk dengan sample buah apel, pisang dan
jeruk. Dimana pengklasifikasian ini akan sangat
bermanfaat dan membantu petani juga
konsumen buah. Masyarakat bisa mengetahui
kualitas buah yang akan di konsumsi, apakah
masih segar atau sudah busuk. Dari dataset yang
Gambar 2. Contoh Dataset
pohon keputusan yang dibangun merupakan Berdasarkan Confusion Matrix, kita bisa
hasil dari misclassified observations. menentukan Accuracy, Precission, Recall dan
Specificity. Confusion Matrix dari penelitian
terlihat pada tabel 2.