2ihlasulamal912@gmail.
3ippang.maulana123@gmail.com
4a.baso.kaswar@unm.ac.id
Abstrak - Penelitian ini bertujuan untuk merancang sistem yang mampu
mendeteksi tingkat kematangan buah tomat dengan memanfaatkan
pesatnya perkembangan ilmu pengetahuan khususnya di bidang artificial
intelligence yang dikolaborasikan dengan pengolahan citra digital.
Terdapat lima tahapan metode yang digunakan dalam penelitian ini yakni,
tahap akuisisi citra, tahap preprocessing, tahap segmentasi, tahap
morfologi dan tahap klasifikasi. Hasil penelitian menunjukkan bahwa
metode yang digunakan peneliti sangat cocok untuk merancang sistem
pendeteksi tingkat kematangan buah tomat yakni mentah, mengkal, dan
matang. Hal tersebut dibuktikan dengan tingkat akurasi pengujian sistem
yang mencapai 100%. Jumlah dataset yang digunakan sebanyak 90 citra
tomat yaitu 30 citra tomat mentah, 30 citra tomat mengkal, dan
30 citra tomat matang.
Kata Kunci: pendeteksi, tomat, pengolahan citra digital, jaringan syaraf
tiruan.
I.
Tomat adalah sayuran buah yang tergolong tanaman semusim berbentuk
perdu dan termasuk ke dalam famili Solanaceae.
A, C dan sedikit vitamin B yang baik bagi tubuh . Buah tomat dapat
dikomsumsi langsung serta dijadikan untuk bumbu masakan, dan dapat
diolah lebih lanjut menjadi bahan baku industri makanan.
Tomat merupakan salah satu hasil pertanian yang memiliki tingkat
produksi tinggi dan tergolong tanaman annual yakni memiliki siklus hidup
singkat dan umurnya hanya satu kali masa panen, yakni 4 bulan
kemudian mati setelah berproduksi . Tingginya tingkat produksi tomat dan
proses kematangan yang membutuhkan waktu yang singkat
mengharuskan petani mengelompokkan atau mengklasifikasi buah tomat
berdasarkan tingkat kematangannya demi memperkecil resiko
pembusukan pada tomat. Proses klasifikasi kematangan tomat pada
dasarnya sangat dipengaruhui oleh persepsi manusia yang bersifat
obyektif, cara manual dilakukan berdasarkan pengamatan langsung pada
objek yang hendak diketahui tingkat kematangannya.
Klasifikasi mengandalkan pengamatan visual manusia yang bersifat
obyektif tentu memiliki beberapa kelemahan yakni, adanya keterbatasan
visual manusia, dan sifat merasa gampang lelah dan jenuh ketika
melakukan kegiatan yang terus berulang, dan kondisi psikis pengamat
juga dapat mempengaruhi tingkat keakuratan dalam klasifikasi secara
manual. Hal tersebut akan mengakibatkan proses klasifikasi tidak
konsisten dan akan membutuhkan banyak waktu terutama bagi
perkebunan besar sehingga resiko pembusukan pasca panen akan
meningkat serta akan mempengaruhi nilai ekonominya. Oleh sebab itu,
perlu sebuah sistem klasifikasi tingkat kematangan buah tomat yang lebih
efektif dan efisien untu membantu masyarakat khususnya petani buah
tomat.
Berdasarkan permasalahan di atas, maka diperlukan suatu sistem yang
mampu membedakan tingkat kematangan buah tomat. Dengan
memanfaatkan kemajuan ilmu pengetahuan yang pesat khususnya di
bidang kecerdasan buatan yang dikolaborasikan dengan pengolahan citra
digital, mampu menghasilkan suatu sistem yang dapat mengklasifikasikan
tingkat kematangan buah tomat.
Pengolahan citra digital merupakan disiplin ilmu yang mempelajari
tentang bagaimana mengolah citra, pengolahan citra dapat
dikembangkan dengan tujuan image enhancement, image compression,
image restoration, dan feature extraction .
HIS , metode jaringan syaraf tiruan dengan teknik pembelajaran
perceptron , fitur warna dengan multiSVM, metode K-Nearest Neighbor .
Berdasarkan nilai varian antar kelas yang didapat pada setiap kelas
keabuan, nilai varian antar kelas lalu diurut dan diambil nilai paling tinggi
menggunakan persamaan .
RGB dapat dilihat bahwa penyebaran piksel citra tomat matang memiliki
intensitas nilai piksel red yang tinggi dan penyebaran piksel citra tomat
mentah memiliki intensitas nilai piksel green yang tinggi, serta
penyebaran piksel citra tomat mengkal memiliki intensitas nilai piksel
yang berada diantara penyebaran piksel citra tomat matang dan mentah.
Guna memudahkan user mengoperasikan sistem, maka kami dari pihak
peneliti mendesain sebuah GUI untuk melakukan tahap klasifikasi tingkat
kematangan buah tomat.
Pada tampilan GUI terdapat empat tombol yakni tombol input untuk
mengambil citra dari folder komputer, tombol proses untuk memulai
tahap pengolahan citra dan memperoleh output berupa hasil klasifikasi,
tombol reset untuk memulai ulang sistem, dan tombol keluar untuk keluar
dari sistem.
R, G, B dan hasil klasifikasi dengan tiga jenis output yakni, mentah,
mengkal, atau matang. Berikut tampilan GUI yang ditampilkan pada
gambar 4.
III.
Dalam penelitian ini, sistem klasifikasi kematangan tomat menggunakan
dua kelompok dataset yakni citra latih dan citra uji .
Gambar 4.
Tahap pertama yakni menginput citra ke sistem. Setelah diinput, citra
dikonversi dari citra RGB ke masing-masing channel R, G, dan B untuk
menentukan channel yang tepat untuk tahap segmentasi. Berdasarkan
hasil konversi ke channel R, G, dan B, maka dapat disimpulkan bahwa
citra pada channel R merupakan citra yang paling tepat untuk tahapan
segmentasi. Berikut tampilan input citra dan hasil konversi citra RGB ke
masing-masing channel R, G, dan B yang ditampilkan pada gambar 5.
Gambar 5.
Setelah menentukan bahwa citra pada channel R tepat untuk proses
segmentasi, maka selanjutnya citra akan disegmentasi dengan melalui
beberapa tahapan untuk mendapatkan objek tomat seutuhnya tanpa ada
objek lain pada citra, guna mempermudah sistem dalam proses klasifikasi
serta diperoleh keakuratan sistem yang tinggi.
Proses pada tahap segmentasi dimulai dari mengkonversi citra channel R
ke citra grayscale, segmentasi dengan metode Otsu, closing, hole filling,
serta proses area objek untuk menampilkan citra hasil tahapan
segmentasi. Berikut tampilan citra hasil segmentasi yang ditampilkan
pada gambar 6.
Gambar 7.
Berdasarkan tabel 1, hasil pengujian diperoleh tingkat akurasi yang
sempurna yakni sebesar 100% dalam proses klasifikasi tingkat
kematangan tomat menggunakan jaringan syaraf tiruan. Akurasi
pengujian diperoleh menggunakan persamaan .
.