1ishakibnuburhan@gmail.

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 .

HIS akurasi mencapai

94,28571429%, kelemahannya dalam proses klasifikasi tingkat

kematangan tomat yakni nilai range yang bertumpukan sehingga
berpengaruh pada keakuratan sistem . Selanjutnya, penelitian mengenai
klasifikasi tingkat kualitas dan kematangan tomat dengan fitur warna
berbasis jaringan syaraf tiruan dengan akurasi mencapai 90% dan waktu
proses yang dibutuhkan yakni 3.12 detik untuk setiap citra serta
menghasilkan empat jenis output yakni, busuk, matang, mengkal, dan
muda . Penelitian lain juga pernah menggunakan metode jaringan syaraf
tiruan dalam proses identifikasi kematangan tomat, tingkat keberhasilan
yang diperoleh dari metode pembelajaran perceptron yakni
43,33%, dengan akurasi output yakni matang 26,66%, setengah matang
6,66%, dan mentah 10% .
Penelitian lain tentang klasifikasi tingkat kematangan tomat juga pernah
dilakukan menggunakan fitur warna RGB dengan teknik klasifikasi multi-
SVM, memanfaatkan 108 citra tomat, sebanyak 42 data testing dan 66
data training.
77,84%, sedangkan klasifikasi KNN dengan k=3 diperoleh persentase
sebesar 77,79% .

Neighbor memiliki persentase sebesar 92% dengan jarak

Euclidean k=3 . Berdasarkan penelitian-penelitian yang telah dipaparkan

di atas, dapat disimpulkan setiap metode atau teknik yang digunakan
dalam sistem klasifikasi kematangan buah tomat memiliki tingkat akurasi
dan waktu komputasi yang berbeda. Tingkat keakuratan dalam proses
klasifikasi dipengaruhi oleh beberapa indikator yakni, pemilihan metode
dalam tahapan proses pengolahan citra yang kurang tepat ataupun
pengaruh dari kualitas citra yang digunakan.
Pada penelitian ini, kami mengusung teknik klasifikasi tingkat kematangan
tomat berbasis pengolahan citra digital dengan metode jaringan syaraf
tiruan. Tingkat klasifikasi kematangan terdapat tiga tingkat yakni, mentah,
mengkal, dan matang.
Metode yang kami gunakan pada penelitian ini terdiri dari lima tahap
yakni, akuisisi citra, preprocessing, segmentasi, operasi morfologi, dan
tahap klasifikasi. Metode yang kami usulkan menghasilkan tingkat
persentase yang cukup tinggi untuk melakukan proses klasifikasi tingkat
kematangan buah tomat dengan 3 tingkat klasifikasi yakni, mentah,
mengkal dan matang, sehingga dapat memudahkan dan meningkatkan
efisiensi kerja petani dalam memilah buah tomat berdasarkan tingkat
kematangannya.
II.
Metode yang digunakan dalam penelitian ini terdiri atas lima tahapan
utama yakni tahap pengambilan dataset citra tomat, tahap preprocessing
meliputi operasi mengubah citra RGB ke channel R, G, dan B, tahap
segmentasi teknik Otsu, tahap morfologi meliputi operasi konversi
channel green ke gray, kemudian dilakukan operasi closing, hole filling,
area open, area objek, dan proses klasifikasi teknik jaringan syaraf tiruan.
Berikut bagan tahap klasifikasi pada gambar 1.
a.
Akuisisi citra adalah proses mengambil citra untuk dijadikan dataset
dalam penelitian. Proses mengambil citra yakni bentuk citra analog
diubah ke citra digital dengan memanfaatkan kamera. Proses akuisisi citra
menggunakan smartphone, untuk background yakni menggunakan kain
berwarna hitam, jarak antara citra dengan kamera smartphone adalah 20
cm. Berikut gambaran tahap akuisisi citra pada gambar 2.
Gambar 2. Proses Akuisisi Citra b. Tahap Preprocessing
Tahap preprocessing diawali dengan membaca citra tomat yang diinput
ke sistem, kemudian citra RGB dikonversi ke channel R, G, dan B. lalu
menentukan channel citra yang cocok untuk dijadikan sebagai citra untuk
tahap segmentasi. Pada penelitian ini, kami memilih citra pada channel R
untuk diproses hingga tahap klasifikasi.
Kemudian citra pada channel R dikonversi menjadi citra grayscale untuk
tahap segmentasi.
c.
Segmentasi adalah proses membagi citra menjadi beberapa bagian untuk
mendapatkan objek yang terkandung pada citra dengan setiap objek atau
daerah memiliki kemiripan atribut. Dalam sebuah citra tahap segmentasi
membagi dua yakni area objek dan area background. Pada penelitian ini,
kami memanfaatkan teknik Otsu untuk tahap segmentasi, yang diperoleh
dari tahap preprocessing. Teknik
Otsu diperkenalkan oleh Nobuyuki Otsu pada tahun 1979.
metode Otsu menganalisis diskriminan dengan menentukan suatu
variabel dengan cara membedakan dua atau lebih bagian secara alami .
Tahap segmentasi dengan metode Otsu dimulai dengan membaca
histogram citra grayscale, dengan histogram kita bisa mengetahui jumlah
piksel dengan intensitas yang mirip pada setiap intensitas. Kisaran
intensitas piksel citra grayscale yakni 0 hingga 255. Probabilitas nilai i
dalam histogram dapat dihitung dengan persamaan .
Gambar 1.

Berdasarkan nilai varian antar kelas yang didapat pada setiap kelas
keabuan, nilai varian antar kelas lalu diurut dan diambil nilai paling tinggi
menggunakan persamaan .

20 citra tomat mentah, 20 citra tomat mengkal, dan 20 citra tomat

matang, kemudian lanjut ke tahap testing dengan menggunakan 30 citra,
terdiri dari 10 citra tomat mentah, 10 citra tomat mengkal, dan 10 citra
tomat matang, citra yang digunakan pada tahap training berbeda dengan
citra yang digunakan pada tahap testing. Citra di setiap dataset berupa
citra RGB berukuran 567x567 px.
Berdasarkan hasil pelatihan sistem, penyebaran piksel dapat
direpresentasikan di ruang fitur RGB pada data latih, dan terlihat bahwa
penyebaran data terbagi menjadi tiga tingkat kematangan yakni, mentah,
mengkal, dan matang seperti pada gambar 3.
Berdasarkan nilai dari varian pada setiap tingkat keabuan. Kemudian
diurut dan dipilih nilai paling tinggi.
Kelas dengan nilai varian paling tinggi diambil sebagai nilai ambang maka
citra grayscale dibagi dua area berdasarkan nilai ambang tersebut.
Sehingga didapatkan bagian objek dan background-nya.
d.
Operasi Morfologi adalah operasi yang umum dikenakan pada citra biner
untuk mengubah struktur bentuk objek yang terkandung dalam citra.
Operasi morfologi yakni penggabungan beberapa piksel area background
menjadi area objek atau sebaliknya. Pada penelitian ini, kami
menggunakan beberapa operasi pada tahap morfologi yakni, teknik
closing, teknik hole filling, teknik area open, teknik erosi, dan area objek.
Proses segmentasi yang diterapkan menghasilkan citra dengan kualitas
yang lebih baik dalam menentukan objek dan background pada citra.
e.
Proses ekstraksi fitur yakni fitur warna RGB, berdasarkan citra hasil
operasi morfologi didapat area objek pada citra tomat. Selanjutnya, pada
area objek dilanjutkan pada proses ekstraksi fitur red, green, dan blue.
Setiap hasil ekstraksi fitur R, G, dan B citra kemudian dicari nilai meannya,
kemudian digunakan sebagai citra input pada Jaringan
Syaraf Tiruan yang nantinya dilatih dan diuji.
f.
Tahap klasifikasi merupakan tahap terakhir setelah proses ekstraksi fitur.

Dalam penelitian ini, kami menggunakan teknik Jaringan

Syaraf Tiruan dalam proses klasifikasi tingkat kematangan tomat, yang

bekerja secara iteratif dengan memanfaatkan fitur data uji dan data latih
yang telah dirancang oleh peneliti yang kemudian digunakan untuk
mengklasifikasi citra baru yang diinput ke sistem.
Gambar 3.

Berdasarkan grafik penyebaran piksel dalam ruang fitur

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 .
.