Abstrak
Buah melon memiliki banyak sekali manfaat serta kandungan vitamin yang berguna untuk kesehatan.
Ada berbagai macam jenis dari buah melon yang unggul di Indonesia, salah satunya adalah jenis Sky
Rocket Melon. Melon jenis ini berbentuk bulat dan memiliki kulit buah yang tebal dan berwarna hijau.
Seluruh permukaan kulitnya ditutupi jaring berwarna kelabu dan memilki daging buah yang berwana
kuning kehijauan. Saat ini masih belum ada teknologi yang dapat mengetahui tingkat kemanisan dari
buah melon. Untuk mengetahuinya, perlu dengan membelah atau mengiris sebagian daging buahnya.
Cara ini dirasa sangat tidak praktis, sehingga dibutuhkan suatu inovasi teknologi hanya dengan analisis
gambar digital. Penelitian ini menggunakan metode Gray Level Co-occurrence Matrix dan Support
Vector Machine. Dalam penelitian ini menggunakan variasi nilai d=1, 2 dan arah sudut θ = 0°, 45°,
90°, 135° dengan 5 fitur yaitu contrast, homogeneity, energy, dissimilarity dan correlation. Untuk
deteksi kelas buah melon terbagi menjadi kelas manis dan tidak manis menggunakan Support Vector
Machine (SVM) dengan menguji 3 kernel yaitu Linear, RBF dan Polynomial. Penelitian ini
menggunakan kamera Raspberry Pi untuk melakukan pengambilan gambar buah melon dengan jarak
sejauh 10 cm yang terdeteksi oleh sensor ultrasonic. Hasil deteksi buah melon akan ditampilkan pada
LCD 16x4. Pada pengujian sensor ultrasonic mendapatkan rata-rata error sebesar 1.97% dengan
akurasi sensor ultrasonic sebesar 98.03%. Pada pengujian sistem ini, didapatkan akurasi tertinggi oleh
kernel RBF dengan variasi jarak d= 2 dan arah sudut θ = 45° yaitu sebesar 86% dengan rata-rata waktu
komputasi sebesar 8.5403 detik.
Kata kunci: Buah Melon, Gray Level Co-occurrence Matrix, Support Vector Machine
Abstract
Melon fruit has many benefits and vitamin content that is useful for health. There are various types of
melons that are superior in Indonesia, one of which is the Sky Rocket Melon. This type of melon is
round and has a thick, green rind. The entire surface of the skin is covered with gray nets and has
greenish yellow flesh. Currently, there is no technology that can determine the sweetness level of a
melon. To find out, it is necessary to split or slice some of the flesh. This method is considered very
impractical, so it takes a technological innovation only with digital image analysis. This research uses
the Gray Level Co-occurrence Matrix and Support Vector Machine methods. In this study, using
variations in the value of d = 1, 2 and angular direction θ = 0 °, 45 °, 90 °, 135 ° with 5 features,
namely contrast, homogeneity, energy, dissimilarity and correlation. The detection of melon fruit
classes is divided into sweet and unsweetened classes using the Support Vector Machine (SVM) by
testing 3 kernels, namely Linear, RBF and Polynomial. This study used a Raspberry Pi camera to take
pictures of melons with a distance of 10 cm detected by the ultrasonic sensor. Melon detection results
will be displayed on the 16x4 LCD. In ultrasonic sensor testing, an average error of 1.97% was
obtained with an ultrasonic sensor accuracy of 98.03%. In testing this system, the highest accuracy
was obtained by the RBF kernel with a variation of the distance d = 2 and the angular direction θ =
45 °, which was 86% with an average computation time of 8.5403 seconds.
Keywords: Melon Fruit, Gray Level Co-occurrence Matrix, Support Vector Machine
metode statistik yaitu Gray Level Co-occurrence dijadikan kombinasi pada setiap kernel untuk
Matrix. Metode ini merupakan suatu matriks mendapatkan model hyperplane terbaik. Pada
yang menggambarkan frekuensi dari pasangan penelitian ini menggunakan 3 kernel yaitu:
dua piksel yang berada dalam jarak dan arah 1) Linear
tertentu dalam citra (Prasetyo, 2011). Pada K(x,z) = xTz (6)
penelitian ini menggunakan jarak d= 1, 2 dan
arah sudut θ= 0°, 45°, 90°,135°. Metode ini 2) RBF
dapat mengidentifikasi ciri tekstur dari kulit K(x,z) = exp[-𝛾||𝑥 − 𝑧||2] (7)
buah melon yang tebal dan memiliki jaring-
3) Polynomial
jaring sebagai pencirinya. Pada penelitian ini
K(x,z) = (xTz)d (8)
menggunakan 5 fitur yaitu:
1) Contrast 3.3 Implementasi Sistem
Contrast merupakan fitur yang Pada implementasi sistem menjelaskan
mengukur nilai keabuan antar pasangan terkait penyusunan seluruh komponen yang
piksel. digunakan agar menjadi suatu sistem yang utuh.
∑𝑖 ∑𝑗(𝑖 − 𝑗)2 𝑝(𝑖, 𝑗) (1) Komponen yang digunakan yaitu Raspberry Pi,
2) Homogeneity kamera Raspberry, sensor ultrasonic, push
Homogeneity merupakan fitur yang button dan LCD 16x2. Seluruh komponen yang
mengukur variasi kehomogenan pada digunakan dimasukkan ke dalam project box
citra. agar terlihat lebih rapi dan praktis. Pada Gambar
𝑝(𝑖,𝑗) 4 dapat terlihat seluruh komponen yang
∑𝑖 ∑𝑗 (2)
1+|𝑖−𝑗| digunakan. Sedangkan pada Gambar 5 terlihat
seluruh komponen telah berada di dalam project
3) Energy
box dan menjadi sebuah sistem pendeteksi
Energy merupakan fitur yang mengukur
kemanisan buah melon.
konsentrasi pasangan antar piksel.
∑𝑖 ∑𝑗 p2 (i, j) (3)
4) Dissimilarity
Dissimilarity merupakan fitur yang
mencari ketidaksamaan suatu citra.
∑𝑖 ∑𝑗 𝑝(𝑖, 𝑗)|𝑖 − 𝑗| (4)
5) Correlation
Correlation merupakan fitur yang Gambar 4. Implementasi Perangkat Keras
mengukur ketergantungan linear antar
piksel pada suatu citra grayscale.
(𝑖−𝜇𝑖)( 𝑗−𝜇𝑗) 𝑝(𝑖,𝑗)
∑ 𝑖 ∑𝑗 (5)
𝜎𝑖 𝜎𝑗
6. DAFTAR PUSTAKA
Aziz, A., Suhartono, V. & Himawan, 2017.
Model Multiclass SVM Menggunakan
Strategi 1V1 Untuk Klasifikasi Wall
Following Robot Navigation Data.