Kementerian Pendidikan, Kebudayaan, Riset dan Teknologi

Jalan Jenderal Sudirman, Senayan, Jakarta Pusat 10270

https://bima.kemdikbud.go.id

PROTEKSI ISI PROPOSAL

Dilarang menyalin, menyimpan, memperbanyak sebagian atau seluruh isi proposal ini dalam bentuk apapun
kecuali oleh pengusul dan pengelola administrasi pengabdian kepada masyarakat
PROPOSAL PENELITIAN 2023
Rencana Pelaksanaan Penelitian: tahun 2023 s.d. tahun 2023

1. JUDUL PENELITIAN
Smart Agriculture Tanaman Holtikultura untuk Peningkatan Efisiensi Kinerja di era Industri 4.0

Bidang Fokus RIRN / Tema Topik (jika ada) Rumpun Bidang

Bidang Unggulan Ilmu
Perguruan Tinggi
Teknologi Informasi Pengembangan sistem berbasis Pengembangan aplikasi Teknik Informatika
dan Komunikasi Kecerdasan buatan sistem cerdas

Kategori Skema Strata (Dasar/ SBK (Dasar, Target Akhir Lama

(Kompetitif Penelitian Terapan/ Terapan, TKT Penelitian
Nasional/ Pengembangan) Pengembangan) (Tahun)
Desentralisasi/
Penugasan)
Penelitian Penelitian Riset Dasar SBK Riset 3 1
Kompetitif Dosen Pemula Pembinaan/
Nasional Kapasitas

2. IDENTITAS PENGUSUL
Nama, Peran Perguruan Tinggi/ Program Studi/ Bidang Tugas ID Sinta
Institusi Bagian
NURHIKMA ARIFIN Universitas Teknik Informatika Perancangan sistem, 6788128
Sulawesi Barat pembuatan model
Ketua Pengusul sistem dan
menyusun luaran
penelitian
CHAIRI NUR INSANI Universitas Teknik Informatika mengumpulkan data, 6828408
Sulawesi Barat menyusun kebutuhan
Anggota Pengusul fungsional dan non
fungsional, dan
menyusun luaran
penelitian
MUH. PADLI Universitas Teknik Informatika Pengambilan data -
Sulawesi Barat pasca panen,
Anggota Pengusul membantu membuat
sistem
RHEZKY RHIZALDY Universitas Teknik Informatika Mengumpulkan data -
Sulawesi Barat pra dan pasca panen
Mahasiswa
Bimbingan
SARINA Universitas Teknik Informatika pengambilan data pra -
Sulawesi Barat panen, membantu
Mahasiswa pembuatan sistem
Bimbingan

3. MITRA KERJASAMA PENELITIAN (JIKA ADA)

Pelaksanaan penelitian dapat melibatkan mitra kerjasama yaitu mitra kerjasama dalam melaksanakan
penelitian, mitra sebagai calon pengguna hasil penelitian, atau mitra investor
Mitra Nama Mitra Dana

4. LUARAN DAN TARGET CAPAIAN

Luaran Wajib
Tahun Jenis Luaran Status target capaian Keterangan
 Luaran
1 Artikel di Jurnal accepted/published -

5. ANGGARAN
Rencana Anggaran Biaya penelitian mengacu pada PMK dan buku Panduan Penelitian dan Pengabdian
kepada Masyarakat yang berlaku.

Total RAB 1 Tahun Rp. 20.000.000,00

Tahun 1 Total Rp. 20.000.000,00

Jenis Komponen Item Satuan Vol. Biaya Total
Pembelanjaan Satuan
Bahan Barang Barang Persediaan Unit 1 1.450.00 1.450.000
Persediaan Penelitian 0
Bahan Bahan Bahan Penelitian Unit 1 1.000.00 1.000.000
Penelitian 0
(Habis Pakai)
Bahan ATK ATK Paket 1 500.000 500.000
Pengumpulan Biaya Komsumsi OH 25 80.000 2.000.000
Data konsumsi Pengumpulan Data (5
orang x 5 hari)
Pengumpulan Biaya Rapat Persiapan OH 5 50.000 250.000
Data konsumsi Penelitian
Pengumpulan FGD FGD Persiapan Paket 1 1.000.00 1.000.000
Data persiapan Kegiatan 0
penelitian
Pengumpulan Transport Transport OK (kali) 25 100.000 2.500.000
Data Pengumpulan Data (5
Orang x 5 Kegiatan)
Pengumpulan Uang Harian Uang Harian Tim dan OH 5 100.000 500.000
Data Pengumpul Data (5
Orang x 10 Hari)
Pengumpulan Uang harian Uang Harian Pihak OH 10 150.000 1.500.000
Data rapat di luar Eksternal Pembantu
kantor Penelitian/Petugas
Survei Rapat didalam
Kantor (5 Orang x 2
Kegiatan)
Analisis Data HR Pengolah Honorarium P 2 1.000.00 2.000.000
Data (penelitia 0
n)
Analisis Data Biaya Konsumsi OH 25 60.000 1.500.000
konsumsi Pengumpulan Data (5
rapat orang x 5 hari)
Sewa Peralatan Peralatan Kamera DSLR (5 hari) Unit 2 150.000 300.000
penelitian
Pelaporan, Luaran Biaya Publikasi Artikel di Paket 1 1.500.00 1.500.000
Wajib, dan Luaran Publikasi Jurnal Nasional 0
Tambahan artikel di
Jurnal
Nasional
Pelaporan, Luaran Biaya Konsumsi Penyusunan OH 25 80.000 2.000.000
Wajib, dan Luaran konsumsi Luaran Penelitian (5
Tambahan rapat Orang x 5 Hari)
Pelaporan, Luaran Uang harian Rapat Penyusunan OH 25 80.000 2.000.000
Wajib, dan Luaran rapat di Luaran Penelitian (5
Tambahan dalam kantor Orang x 5 Hari)
 Isian Substansi Proposal
SKEMA PENELITIAN DASAR
Petunjuk:Pengusul hanya diperkenankan mengisi di tempat yang telah disediakan sesuai dengan petunjuk
pengisian dan tidak diperkenankan melakukan modifikasi template atau penghapusan di setiap bagian.

JUDUL
Tuliskan Judul Usulan
Smart Agriculture Tanaman Holtikultura untuk Peningkatan Efisiensi Kinerja di era Industri 4.0

RINGKASAN
Ringkasan penelitian tidak lebih dari 300 kata yang berisi urgensi, tujuan, dan luaran yang
ditargetkan.
Industri 4.0 mendorong otomatisasi sistem di berbagai bidang termasuk pengembangan
Smart Agriculture. Penerapan teknologi yang mengimplementasikan pengolahan citra dan
kecerdasan buatan terus dikembangkan untuk mendukung Smart Agriculture karena dapat
meningkatkan efisiensi, produktivitas, dan kualitas produksi mulai dari sektor hulu hingga
sektor hilirisasi produk komoditas pertanian dan perkebunan. Penerapan teknologi yang ada
mampu menyelesaikan persoalan yang ada pada proses pra dan pasca panen. Tanaman
holtikultura seperti cabai dan pepaya adalah komoditas pertanian yang belum maksimal dalam
memanfaatkan teknologi yang ada. Kesulitan yang dialami oleh petani cabai adalah
memprediksi hasil panen karena hanya mengandalkan mata sehingga hasil prediksi tidak akurat
dan membutuhkan waktu lebih lama, sedangkan prediksi panen penting untuk diketahui dalam
menentukan metode penjualan sehingga dapat meminimalisir risiko kehilangan peluang pasar
yang seharusnya pendapatan petani bisa dimaksimalkan. Masalah lain pemilihan dan
penentuan kualitas pepaya masih dilakukan secara manual yang memiliki banyak kelemahan
karena dipengaruhi faktor subjektivitas manusia sehingga menghasilkan pemilahan produk
yang kurang seragam, sedangkan kualitas buah adalah penentu dalam menghasilkan produk
yang baik untuk diolah di industri.
Penelitian ini bertujuan untuk membuat Smart Agriculture Tanaman Holtikultura
yaitu cabai dan pepaya pada proses pra dan pasca panen untuk meningkatkan kinerja dan
efektifitas pemanfaatan teknologi industri 4.0. Penanganan pra panen akan dilakukan untuk
memprediksi hasil produksi cabai dengan menghitung jumlah cabai pada pohon. Dengan
pemanfaatan pengolahan citra akan meningkatkan akurasi penghitungan jumlah cabai pada
pohon sehingga memudahkan petani mengambil tindakan terkait pengelolaan hasil produksi
untuk memaksimalkan profit yang diperoleh. Selain itu, penanganan pasca panen akan
dilakukan untuk pemilahan dan penentuan kualitas pepaya berdasarkan tingkat kematangan
secara otomatis sehingga menjadi lebih efektif dan efesien karena memanfaatkan pengolahan
citra sehingga pemilahan kualitas pepaya dilakukan dengan standar yang sama dan konsisten
meskipun dengan jumlah yang besar. Adapun luaran yang ditargetkan pada penelitian ini
berupa publiksi pada jurnal nasional terakreditasi.

KATA KUNCI
Kata kunci maksimal 5 kata
Kata_kunci_1; Smart Agriculture; Tanaman Holtikultura; Pengolahan Citra, Industri 4.0.

PENDAHULUAN
 Penelitian Dasar merupakan riset yang memuat temuan baru atau pengembangan ilmu
pengetahuan dari kegiatan riset yang terdiri dari tahapan penentuan asumsi dan dasar hukum
yang akan digunakan, formulasi konsep dan/ atau aplikasi formulasi dan pembuktian konsep
fungsi dan/ atau karakteristik penting secara analitis dan eksperimental.

Pendahuluan penelitian tidak lebih dari 1000 kata yang terdiri dari:
A. Latar belakang dan rumusan permasalahan yang akan diteliti
B. Pendekatan pemecahan masalah
C. State of the art dan kebaruan
D. Peta jalan (road map) penelitian 5 tahun kedepan (jika dalam bentuk konsorsium harus
dilengkapi dengan roadmap penelitian konsorsium)
E. Sitasi disusun dan ditulis berdasarkan sistem nomor sesuai dengan urutan pengutipan,
mengikuti format Vancouver
A. Latar Belakang Masalah
Revolusi Industri mendorong sistem otomatisasi di dalam semua proses aktivitas,
khususnya di bidang pertanian menuju Smart Agriculture. Penerapan teknologi yang
mendukung tercapainya Smart Agriculture di proses pra dan pasca panen merupakan upaya
untuk meningkatkan produktivitas dan efisiensi kinerja dalam mengolah komoditas pertanian.
Salah satu komoditas pertanian yang unggul adalah tanaman holtikultura. Tanaman
holtikultura yang potensial untuk dikembangkan di Indonesia adalah komoditas cabai dan
pepaya (1). Cabai dan pepaya merupakan tanaman holtikultura yang populer dan banyak
dibudidayakan di Indonesia. Kedua tanaman ini memiliki nilai ekonomi yang tinggi dan
menjadi komoditas penting dalam industri pertanian (2).
Untuk memaksimalkan produktivitas dan efisiensi kinerja petani dalam mengolah
tanaman holtikultura khususnya cabai, maka perlu dilakukan pemanfaatan teknologi Smart
Farming dalam proses pra-panen. Kondisi hasil produksi cabai yang setiap panen mengalami
perubahan sangat berpengaruh sehingga sangat penting bagi petani untuk mengetahui produksi
cabai agar dapat menentukan metode penjualan. Selain dapat mengetahui jumlah penjualan
yang akan diperoleh, petani juga dapat memperkirakan kapan dan berapa banyak cabai yang
akan dipanen. Namun, petani masih kesulitan dalam memprediksi produksi cabai yang akan
dipanen karena hanya mengandalkan mata dan peninjauan secara langsung sehingga
membutuhkan waktu yang lebih lama.
Adapun peningkatan produktivitas dan efisiensi kinerja karyawan di industri
untuk mengolah tanaman holtikultura khususnya pepaya melalui pemanfaatan teknologi
dalam proses pasca-panen dapat terwujud. Kebutuhan akan pepaya baik yang dipasarkan
secara langsung maupun diolah di industri semakin tinggi, sehingga sangat penting untuk
melakukan pemilihan atau sortasi pepaya menggunakan teknologi untuk memilih kualitas buah
yang baik untuk memenuhi kebutuhan konsumen. Dalam hal pengolahan buah pepaya yang
diolah di industri, khususnya proses pemilahan tingkat kematangan pepaya umumnya masih
dilakukan secara langsung oleh karyawan. Kelemahan dari metode ini yaitu karyawan memiliki
keterbatasan fisik seperti cepat lelah dan gangguan fisik lainnya. Selain itu perbedaan persepsi
setiap karyawan dalam menilai tingkat kematangan buah pepaya membuat klasifikasi
kematangan menjadi tidak konsisten. Hal ini menyebabkan kinerja karyawan menjadi kurang
efektif dan efesien. Selain itu, produk olahan pepaya untuk menghasilkan nilai tambah dalam
skala industri juga membutuhkan banyak tenaga dan waktu yang lebih karena dilakukan dalam
skala besar. Oleh karena itu proses pengklasifikasian tingkat kematangan buah pepaya yang
konsisten menjadi sangat penting karena berpengaruh terhadap kepuasan konsumen dalam
mendapatkan kualitas buah pepaya atau produk olahan terbaik.
Terdapat banyak penelitian sebelumnya yang melakukan perhitungan dan klasifikasi
tingkat kematangan buah secara otomatis menggunakan objek dan metode yang berbeda
dengan memanfaatkan teknologi pengolahan citra sehingga meminimalisir kesalahan proses
perhitungan dan pemilahan kematangan buah ketika dilakukan secara konvensional. Penelitian
yang dilakukan oleh Indrabayu dkk adalah menggunakan pengolahan citra dengan metode Blob
analisis untuk mendeteksi dan menghitung buah cabai yang sudah matang dengan hasil akurasi
sebesar 89,7% (3). Proses deteksi jeruk matang ini menggunakan ruang warna Hue, Saturation
dan Chrominance-Red, sedangkan untuk proses perhitungan jeruk matang yang terdeteksi
menggunakan algoritma watershed dengan hasil akurasi sebesar 82.14% (4). Pandey dkk
melakukan estimasi hasil cabai otomatis menggunakan pengolahan citra menghasilkan akurasi
99,64% (5). Selain penelitian terkait perhitungan objek, untuk kasus klasifikasi tingkat
kematangan buah algoritma yang dapat melakukan klasifikasi dengan baik dan sudah
digunakan beberapa peneliti adalah Support Vector Machine. Algoritma ini digunakan untuk
mengklasifikasikan tingkat kematangan buah dan terbukti memiliki hasil akurasi yang baik
dengan rata-rata akurasi diatas 85% (6)(7)(8). Selain itu beberapa peneliti lain juga telah
membandingkan kinerja algoritma SVM dengan algoritma lain. Hasil perbandingan yang
dilakukan adalah algoritma SVM memiliki hasil akurasi yang baik yaitu rata-rata diatas 95%
(9) (10) (11).
Berdasarkan studi literatur yang dilakukan pengolahan citra mampu mengatasi masalah
dalam melakukan perhitungan dan klasifikasi kematangan buah. Oleh karena itu, pada
penelitian ini bertujuan untuk mengimplementasikan pengolahan citra dalam mencapai Smart
Agriculture tanaman holtikultura khususnya cabai dan pepaya menuju industri 4.0. Perhitungan
cabai matang akan dilakukan dengan menggunakan algoritma watershed karena mampu
menangani kasus objek yang berhimpit sedangkan klasifikasi buah pepaya menggunakan
algoritma SVM. Tingkat kematangan buah pepaya akan diklasifikasikan menjadi 3 kelas
berdasarkan fitur warna Hue, Saturation, dan Value (HSV) yaitu pepaya matang, setengah
matang dan tidak matang. Proses segmentasi HSV didasarkan pada ciri warna buah pepaya
dengan mengambil nilai Red, Green, dan Blue (RGB) pada citra. Sistem perhitungan cabai
dan klasifikasi pepaya ini diharapkan dapat memberikan kontribusi teknologi dalam
peningkatan produktivitas dan efisiensi menuju Smart Agriculture di era Industri 4.0.
B. Rumusan Masalah
Adapun Rumusan masalah pada penelitian ini yaitu:
1. Bagaimana hasil impelementasi pengolahan citra dalam mencapai Smart Agriculture
tanaman holtikultura untuk menghitung jumlah buah cabai matang pada pohon menggunakan
algoritma watershed ?
2. Bagaimana hasil impelementasi pengolahan citra dalam mencapai Smart Agriculture
tanaman holtikultura untuk mengklasifikasikan kematangan buah pepaya menggunakan
algoritma SVM?
C. Pendekatan Masalah
Pendekatan masalah dalam penelitian ini adalah membuat sistem perhitungan cabai
pada pohon menggunakan algoritma watershed dan sistem klasfikasi tingkat kematangan buah
pepaya menggunakan algoritma SVM yang dapat memberikan kontribusi teknologi dalam
peningkatan produktivitas dan nilai tambah produk tanaman holtikultura menuju Smart
Agriculture Industri 4.0.
D. State Of The Art dan Kebaruan
Terdapat banyak penelitian terkait perhitungan buah dan klasifikasi kematangan buah
dengan metode dan teknologi yang berbeda yang memanfaatkan teknologi pengolahan citra.
Indrabayu dkk adalah menggunakan pengolahan citra dengan metode Blob analisis untuk
mendeteksi dan menghitung buah cabai yang sudah matang dengan hasil akurasi sebesar 89,7%
(3). Hasanah dkk melakukan perhitungan jeruk matang menggunakan algoritma watershed
dengan hasil akurasi sebesar 82.14%. Pandey dkk melakukan estimasi hasil cabai otomatis
menggunakan pengolahan citra menghasilkan akurasi 99,64% (5). Selain penelitian terkait
perhitungan objek, untuk kasus klasifikasi tingkat kematangan buah Sanjaya dkk juga
melakukan penelitian terkait pengenalan tingkat kematangan buah tomat menggunakan fitur
warna HSV dengan akurasi 80% (12). Penentuan Kematangan Nanas Menggunakan Support
Vector Machine Standar Filipina. Algoritma ini digunakan untuk mengklasifikasikan tingkat
kematangan buah dan terbukti memiliki hasil akurasi yang baik dengan rata-rata akurasi diatas
85% (6)(7)(8). Selain itu beberapa peneliti lain juga telah membandingkan kinerja algoritma
SVM dengan algoritma lain. Hasil perbandingan yang dilakukan adalah algoritma SVM
memiliki hasil akurasi yang baik yaitu rata-rata diatas 95% (9) (10) (11). Berbeda dengan
penelitian yang ada sebelumnya, pada penelitian ini fokus pada tanaman holtikultura cabai dan
pepaya yang di proses untuk keperluan pra dan pasca panen. Sistem perhitungan cabai dan
klasifikasi pepaya ini diharapkan dapat memberikan kontribusi teknologi dalam peningkatan
produktivitas dan efisiensi menuju Smart Agriculture di era Industri 4.0.

D. Road Map Penelitian

Adapun Road Map penelitian yang dilakukan yang telah dilakukan sejak tahun 2021
hingga penelitian yang akan dilakukan hingga tahun 2028 ditunjukkan pada Gambar 1.

Gambar 1. Road Map Penelitian

Pada tahun 2021 telah dilakukan penelitian yang menerapkan teknologi menuju Smart
Agriculture. Terdapat banyak penelitian terdahulu terkait perhitungan buah dan klasifikasi
kematangan buah dengan objek, metode dan teknologi yang berbeda yang memanfaatkan
teknologi pengolahan citra dengan hasil akurasi yang diperoleh baik, namun masih terdapat
banyak kelemahan dan harus terus menerus dibenahi. Hal ini disebabkan objek dalam
komoditas pertanian dan perkebunan sangat banyak, sehingga harus dicobakan semua sampai
terwujud Smart Agriculture yang mencakup semua sistem pertanian yang saling terintegrasi.
Adapun usulan tahun 2023 Penelitian fokus pada 2 penelitian utama saja, yaitu perhitungan
buah dan klasifikasi kematangan buah tanaman holtikultura pada proses pra dan pasca panen.
Masing-masing cabang yang akan diteliti adalah mendeteksi dan menghitung jumlah buah
matang menggunakan pengolahan citra dan klasifikasi kematangan buah berdasarkan citra
gambar.

METODA
Metode atau cara untuk mencapai tujuan yang telah ditetapkan ditulis tidak melebihi 1000 kata.
Bagian ini dapat dilengkapi dengan diagram alir penelitian yang menggambarkan apa yang
sudah dilaksanakan dan yang akan dikerjakan selama waktu yang diusulkan. Format diagram
alir dapat berupa file JPG/PNG. Metode penelitian harus dibuat secara utuh dengan penahapan
yang jelas, mulai dari awal bagaimana proses dan luarannya, dan indikator capaian yang
ditargetkan yang tercermin dalam Rencana Anggaran Biaya (RAB).
Adapun tahapan penelitian ditunjukkan pada Gambar 2 berikut:

Gambar 2. Tahapan Penelitian

1. Studi literatur dilakukan untuk mencari referensi teori yang relefan terkait topik penelitian
yang dilakukan yaitu mengenai metode untuk perhitungan cabai matang dan klasifikasi
kematangan buah pepaya. Tahap ini adalah tahap awal penelitian ini dengan mencari
sejumlah referensi dari jurnal nasional maupun internasional, buku artikel, dan laporan
penelitian.
2. Survey lokasi penelitian yang dilakukan. Untuk lokasi penelitian pengambilan data cabai
merah dilakukan di kelurahan Mosso Dhua kecamatan Sendana kabupaten Majene dan
lokasi penelitian untuk klasifikasi kematangan buah pepaya dilakukan di Laboratorium
Information and Communication Technology (ICT) Fakultas Teknik Univeristas
Sulawesi Barat.
3. Survey kebutuhan sistem terkait alat dan bahan yang akan digunakan pada sistem
perhitungan cabai dan klasifikasi kematangan buah pepaya.
4. Pengambilan data buah cabai dan pepaya dilakukan selama penelitian. Data yang
digunakan berupa gambar yang diambil menggunakan kamera DSLR.
5. Perancangan sistem (software) dilakukan dengan membuat alur penelitian dan desain
perancangan sistem yang akan digunakan.
6. Pembuatan sistem perhitungan cabai matang dan klasifikasi kematangan buah pepaya.
7. Uji algoritma dan uji sistem perhitungan cabai dan klasifikasi kematangan buah pepaya
dilakukan untuk mengetahui keakuratan algoritma dan sistem yang digunakan.
8. Pembuatan laporan dengan membuat laporan untuk publikasi.

Sistem yang diusulkan adalah sistem deteksi dan perhitungan cabai matang pada pohon.
Gambar diambil dengan menggunakan kamera pada tanaman cabai pada pohon dan di proses
dengan teknik pengolahan citra, Jika objek cabai terdeteksi maka sistem melakukan proses
counting cabai yang matang untuk estimasi hasil panen. Adapun flowchart tahapan deteksi dan
perhitungan cabai matang pada pohon ditunjukkan pada Gambar 3.
 Gambar 3. Flowchart Deteksi dan perhitungan Cabai

Proses algoritma watershed dilakukan untuk proses menghitung jumlah buah cabai
matang yang terdapat pada gambar 3.
Input Citra : Memasukkan citra cabai untuk di proses.
Preprocessing : Melakukan proses preprocessing dengan mengubah
ukuran citra sehingga menghemat penggunaan memori
dan mengurangi waktu eksekusi.
Konversi Citra RGB ke HSV : Selanjutnya dilakukan proses segmentasi warna
menggunakan HSV. Citra Cabai menggunakan model
warna RGB sebagai standar acuan warna sehingga
dibutuhkan konversi model RGB ke HSV. Segmentasi
dengan deteksi HSV dilakukan dengan menganalisis nilai
warna tiap piksel citra sesuai fitur yang diinginkan dengan
nilai toleransi pada setiap dimensi warna HSV.
Operasi Morfologi : Proses morfologi digunakan untuk meningkatkan kualitas
segmentasi. Proses morfologi membantu dalam
menghilangkan noise dan memperbaiki struktur objek.
Implementasi Watershed : Watershed didasarkan pada analisis topografi citra, di
mana setiap piksel dianggap sebagai puncak di suatu
daerah dan kemudian digabungkan menjadi cekungan
(basin) yang terpisah. Proses watershed dimulai dengan
menghitung gradien citra untuk menentukan lokasi tepi
objek. Kemudian, piksel dengan nilai intensitas tertentu
digunakan sebagai titik awal untuk menginisiasi aliran air
simulasi pada citra. Aliran air ini kemudian mengalir dari
titik awal menuju cekungan citra. Setiap cekungan
dipisahkan oleh garis pembatas dan dianggap sebagai
objek yang terpisah.
Deteksi dan Counting Cabai : Setelah Objek terdeteksi maka dilakukan proses
perhitungan cabai matang pada pohon.
 Sistem kedua yang diusulkan adalah sistem klasifikasi kematangan buah pepaya.
Gambar diambil dengan menggunakan kamera dan di proses dengan teknik pengolahan citra.
Proses latih
object detection RGB Feature
Input video Preprocessing Extraction
HSV

Masking image Training SVM

Blob detection

Model SVM
Crop Image

Proses Uji
object detection RGB Feature
Input video Preprocessing Extraction
HSV

Classification
Masking image using SVM

Blob detection
Output of
level ripeness
Crop Image

Gambar 4. Alur proses klasifikasi kematangan buah pepaya

Alur perancangan sistem seperti pada Gambar 4 terdiri dari dua tahapan yaitu tahapan
pelatihan dan pengujian yang diuraikan sebagai berikut:

Proses Latih Pada tahap ini dilakukan proses untuk melakukan training data
citra pepaya untuk mendapatkan model yang terbaik dari
algoritma yang digunakan. Adapun tahap proses latih sebagai
berikut:
Input data : Memasukkan citra pepaya untuk di proses.
Preprocessing : Mengubah ukuran citra sehingga menghemat penggunaan
memori dan mengurangi waktu eksekusi.
Object Detection : Segmentasi dengan deteksi HSV dilakukan dengan
menganalisis nilai warna tiap piksel citra sesuai fitur yang
diinginkan dengan nilai toleransi pada setiap dimensi warna
HSV. Setelah itu citra HSV dikonversi ke citra hitam putih
melalui proses masking. Proses selanjutnya adalah
menganalisis luas area objek untuk dilakukan bounding box.
Blob detection akan menganalisis luas area dan bentuk objek
blob dari suatu citra yang menjadi fokus deteksi. Setelah
terdeteksi maka objek akan di cropping dan diproses pada
tahap ekstraksi fitur.
RGB Feature Extraction : Mengekstrak fitur warna RGB pada citra sebagai pembeda
antar objek dan memberikan label ke dalam 3 kategori kelas
yaitu 1 untuk kategori belum matang, 2 untuk kategori
setengah matang, 3 untuk kategori matang.
 Training SVM : Memberikan model berdasarkan data pelatihan.
Model SVM : Output dari proses training adalah alpha (α) dan nilai bias
yang akan digunakan untuk proses uji.
Proses Uji Pada Tahap ini dilakukan untuk menguji model yang dihasilkan
pada tahap latih. Data yang digunakan merupakan data citra baru
yang tidak memiliki label kelas dan tahapan proses yang
dilakukan hamper sama dengan tahapan yang ada pada data
latih.

JADWAL PENELITIAN
Jadwal penelitian disusun berdasarkan pelaksanaan penelitian, harap disesuaikan berdasarkan
lama tahun pelaksanaan penelitian

Tahun ke-1
Bulan
No Nama Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12
1 Studi Literatur
2 Survey Lokasi Penelitian
3 Analisis kebutuhan perangkat lunak
4 Pengambilan Data
5 Perancangan sistem
6 Pengkodean Sistem
7 Pengujian Sistem
8 Penyusunan laporan dan publikasi

DAFTAR PUSTAKA
Sitasi disusun dan ditulis berdasarkan sistem nomor sesuai dengan urutan pengutipan,
mengikuti format Vancouver. Hanya pustaka yang disitasi pada usulan penelitian yang
dicantumkan dalam Daftar Pustaka.
[1] Harahap F. Efisiensi Penggunaan Faktor Produksi Usahatani Cabai Di Kecamatan Sumowono
Kabupaten Semarang. 2013;
[2] Eliyatiningsih E, Mayasari F. Efisiensi Penggunaan Faktor Produksi pada Usaha tani Cabai Merah
di Kecamatan Wuluhan Kabupaten Jember. J AGRICA. 2019 Apr 30;12(1):7.;
[3] Indrabayu, Mar’atuttahirah, Areni IS. Automatic Counting of Chili Ripeness on Computer Vision
for Industri 4.0. In: 2019 IEEE International Conference on Industry 40, Artificial Intelligence, and
Communications Technology (IAICT) [Internet]. BALI, Indonesia: IEEE; 2019 [cited 2023 Apr 6].
p. 14–8. Available from: https://ieeexplore.ieee.org/document/8784858/
[4] Hasanah S, Fitriyah H, Maulana R. Sistem Penghitung Jeruk Matang pada Kebun berdasarkan Hue,
Saturation dan Chrominance-Red menggunakan Algoritma Watershed berbasis Raspberry Pi. J
Pengemb Teknol Inf Dan Ilmu Komput. 2019;3 No. 11:10848–54.
[5] Pandey, C., Vishwakarma, J., Khan, M. R., Rajpoot, S. C., Sethy, P. K., Nayak, B. B., Behera, S.
K., & Biswas, P. (2021). An automated chilli yield estimation approach based on image processing.
Recent Trends in Communication and Electronics, September, 24–28.
https://doi.org/10.1201/9781003193838-5.
[6] J. Pardede, M. G. Husada, A. N. Hermana, and S. A. Rumapea, “Fruit Ripeness Based on RGB,
HSV, HSL, L a b Color Feature Using SVM,” in 2019 International Conference of Computer
Science and Information Technology (ICoSNIKOM), Nov. 2019, pp. 1–5. doi:
10.1109/ICoSNIKOM48755.2019.9111486.
[7] J. A. M. Galindo, J. E. C. Rosal, and J. F. Villaverde, “Ripeness Classification of Cacao Using
Cepstral-Based Statistical Features and Support Vector Machine,” in 2022 IEEE International
Conference on Artificial Intelligence in Engineering and Technology (IICAIET), Sep. 2022, pp. 1–
5. doi: 10.1109/IICAIET55139.2022.9936807.
[8] E. J. L. Aguilar, G. K. P. Borromeo, and J. Flores Villaverde, “Determination of Pineapple Ripeness
Using Support Vector Machine for Philippine Standards,” in 2021 IEEE 7th International
Conference on Control Science and Systems Engineering (ICCSSE), Jul. 2021, pp. 283–287. doi:
10.1109/ICCSSE52761.2021.9545163.
[9] H. Azarmdel, A. Jahanbakhshi, S. S. Mohtasebi, and A. R. Muñoz, “Evaluation of image
processing technique as an expert system in mulberry fruit grading based on ripeness level
using artificial neural networks (ANNs) and support vector machine (SVM),” Postharvest
Biol. Technol., vol. 166, p. 111201, Aug. 2020, doi: 10.1016/j.postharvbio.2020.111201.
[10] L. Zhu and P. Spachos, “Support vector machine and YOLO for a mobile food grading
system,” Internet Things, vol. 13, p. 100359, Mar. 2021, doi: 10.1016/j.iot.2021.100359.
[11] K. Leon, D. Mery, F. Pedreschi, and J. Leon, “Color measurement in L∗ a∗ b∗ units
from RGB digital images,” Food Res. Int., vol. 39, no. 10, pp. 1084–1091, 2006.
[12] Sanjaya S. Aplikasi Pengenalan Tingkat Kematangan Buah Tomat Menggunakan Fitur
Warna Hsv Berbasis Android. J Teknoinfo. 2022 Jan 14;16(1):26.
PERSETUJUAN PENGUSUL
Tanggal Pengiriman Tanggal Persetujuan Nama Pimpinan Sebutan Jabatan Unit Nama Unit Lembaga
Pemberi Persetujuan Pengusul
08/04/2023 09/04/2023 NURLAELA S.P, M.Si Pimpinan LP/LPPM - Universitas Sulawesi
Penelitian Barat

Komentar : Disetujui