Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 5, No. 6, Mei 2021, hlm. 2472-2477 http://j-ptiik.ub.ac.id

Rancang Bangun Sistem Deteksi Kemanisan Buah Melon Menggunakan

Gray Level Co-occurrence Matrix dan Support Vector Machine
Noza Trisnasari Alqoria1, Fitri Utaminingrum2

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1alqoria@gmail.com, 2f3_ningrum@ub.ac.id

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

Fakultas Ilmu Komputer Universitas Brawijaya 2472

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1. PENDAHULUAN
Buah melon memiliki nama latin Cucumis
melo L. Buah melon memiliki banyak sekali
manfaat dan kaya akan vitamin. Mengkonsumsi
buah melon dapat mencegah beberapa penyakit
seperti luka pada tepi mulut, sariawan, radang
saraf, penyakit mata, sebagai anti kanker dan
pencegah stroke (Prayoga, et al., 2018). Buah
melon dapat dibudidayakan diberbagai musim
dan dapat tumbuh baik pada kelembapan udara
antara 50-70%, curah hujan antara 1.500-2500
mm/tahun dan pada ketinggian 250-800mdpl
(Dispertan, 2014). Salah satu jenis buah melon
yang unggul di Indonesia adalah jenis Sky Rocket
Melon.
Sky Rocket Melon memiliki bentuk bulat,
kulit buah yang tebal dan ditutupi jaring-jaring
berwarna kelabu. Melon jenis ini memiliki
daging buah yang manis dan berwarna kuning
kehijauan. Berdasarkan data produksi nasional,
total komoditas mengalami peningkatan hasil
panen pada tahun 2010 sebesar 85161 ton
menjadi 150347 ton pada tahun 2014. Dalam
dunia pertanian saat ini sudah menerapkan
modern farming, yaitu proses perubahan corak
kehidupan tradisional menjadi modern, terutama
berkaitan dengan teknologi dan organisasi sosial
(Rifkian, et al., 2017). Tetapi, saat ini masih
belum ada teknologi yang dapat mengetahui
kualitas dari kemanisan buah melon.
Mengetahui kemanisan buah melon harus
dengan membelah atau mengiris sebagian dari
buahnya. Cara ini dirasa sangat tidak praktis,
sehingga dibutuhkan suatu inovasi teknologi
untuk melakukan deteksi kemanisan buah melon
hanya dengan analisis gambar digital. Dengan
pengolahan citra, penelitian ini akan dibagi
dalam dua kelas yaitu deteksi manis dan tidak
manis. Pada masing-masing objek melon
memiliki perbedaan tekstur, warna dan bentuk
dari buah melon tersebut. Parameter yang
berpengaruh pada penelitian ini adalah jaring-
jaring dari kulit buah melon.
Pada penelitian ini akan menggunakan
metode Gray Level Co-occurrence Matrix dan
Support Vector Machine. Metode Gray Level
Co-occurrence Matrix umumnya digunakan
untuk gambar yang berwujud tekstur seperti
jalan, serat kayu, batik dan masih banyak lagi.
Metode ini merupakan metode statistic yang
penggunaannya tidak terbatas sehingga sesuai
dengan tekstur alami dari jaring-jaring kulit buah
melon yang tidak terstruktur. Metode ini
Fakultas Ilmu Komputer, Universitas Brawijaya
2473
mengenali perbedaan citra dengan melihat jarak
dan orientasi sudut antar hubungan ketetanggaan
(Widyaningsih, 2016). Metode memiliki banyak
fitur yang digunakan untuk melakukan ekstraksi
ciri pada suatu citra. Selanjutnya akan dilakukan
deteksi citra menggunakan Support Vector
Machine. Metode ini cocok digunakan untuk
membagi kedalam dua kelas. Metode ini
dianggap lebih cepat karena tidak semua data
latih dilibatkan dalam iterasi pelatihannya (Aziz,
et al., 2017). Penelitian ini akan menggunakan
tiga kernel yaitu linear, RBF dan polynomial.
Metode ini akan menentukan hyperplane terbaik
dengan melihat margin terdekat. Hasil dari
pengolahan citra tersebut nantinya akan dibagi
menjadi dua kelas yaitu manis dan tidak manis.
2. METODE PENELITIAN
2.1 Gambaran Umum Sistem
Pada Gambar 1 merupakan perancangan
sistem yang terdiri dari input, proses dan output.
Sistem ini menggunakan push button, kamera
Raspberry Pi dan sensor ultrasonic sebagai input.
Pada proses input, dilakukan dengan menekan
push button diawal agar seluruh program dapat
berjalan. Kamera Raspberry Pi akan mengambil
gambar dari buah melon apabila jarak sudah
sesuai, yaitu sejauh 10 cm. Untuk mengetahui
apakah jarak sudah sesuai atau tidak, maka
diperlukan sensor ultrasonic agar dapat
mempermudah dalam menentukan jarak
pengambilan gambar. Setelah dilakukan
pengambilan gambar, selanjutnya akan diproses
menggunakan Raspberry Pi. Pada tahapan ini
akan dilakukan proses pengolahan citra dengan
mengubah citra RGB menjadi citra grayscale
dan dilakukan resize agar mempersingkat waktu
komputasi. Hasil dari pengolahan citra tadi akan
dilakukan proses Gray Level Co-occurrence
Matrix untuk dihitung matrix co-occurrence dan
dilakukan ekstraksi fitur pada citra buah melon.
Terdapat 5 fitur yang digunakan dalam
perhitungan ini yaitu contrast, homogeneity,
energy, dissimilarity dan correlation. Hasil dari
ekstraksi fitur tadi akan dilakukan deteksi
menggunakan Support Vector Machine dengan
menguji tiga kernel yaitu linear, RBF dan
polynomial. Pada proses ini dilakukan untuk
membedakan buah melon menjadi dua kelas
yaitu manis dan tidak manis. Output dari seluruh
proses akan menampilkan hasil deteksi kelas
dari buah melon pada LCD 16x2.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2474

Echo Pin 18 (GPIO24)

GND Pin 6 (Ground)

3.2 Perancangan Perangkat Lunak

Pada Gambar 3 merupakan diagram alir
dari program utama. Pada perancangan ini akan
dibahas secara umum mengenai jalannya sistem
dari awal hingga akhir. Dimulai dari penekanan
Gambar 1. Perancangan Sistem push button untuk memulai sistem, kemudian
sensor ultrasonic mengukur jarak 10 cm dari
3. PERANCANGAN DAN objek buah melon. Apabila jarak sesuai, maka
IMPLEMENTASI akan dilakukan pengambilan gambar objek.
3.1 Perancangan Perangkat Keras Selanjutnya akan masuk kedalam sub program
pengolahan citra menggunakan Gray Level Co-
Pada Gambar 2 merupakan blok
occurrence Matrix untuk didapatkan nilai fitur
perancangan sistem secara skematik antar pin
dari citra buah melon. Setelah dilakukan
yang digunakan pada komponen perangkat
ekstraksi fitur, selanjutnya akan masuk kedalam
keras. Komponen yang digunakan yaitu
sub program Support Vector Machine untuk
Raspberry Pi 4 untuk unit pemrosesan, push
dilakukan deteksi kelas pada objek buah melon.
button untuk menjalankan seluruh program,
Hasil deteksi kelas akan ditampilkan pada LCD.
kamera Raspberry Pi untuk pengambilan gambar
objek dari buah melon, sensor ultrasonic untuk
mempermudah perhitungan jarak pada objek,
dan LCD 16x2 untuk menampilkan hasil dari
sistem.

Gambar 2. Skematik Perangkat Keras

Berikut keterangan koneksi pin antar
komponen yang terhubung dengan Raspberry Pi
Tabel 1. Keterangan Koneksi Pin I2C dengan
Raspberry Pi 4
LCD 16x2 dengan Raspberry Pi 4
modul I2C
GND Pin 6 (Ground)
VCC Pin 4 (Power 5v)
SDA Pin 3 (GPIO02) Gambar 3. Diagram Alir Program Utama
SCL Pin 5 (GPIO03)
Tabel 2. Keterangan Koneksi Pin Push Button 3.2.1 Perancangan Proses Pengolahan Citra
dengan Raspberry Pi 4
Push Button Raspberry Pi 4 Pada tahap proses pengolahan citra,
Pin 1 Pin 6 (Ground) terdapat beberapa tahapan yang harus dilewati.
Pin 2 Pin 40 (GPIO 21) Berawal dari pengambilan gambar oleh kamera
Tabel 3. Keterangan Koneksi Pin Sensor Ultrasonic yang merupakan citra dengan warna RGB.
HCSR04 dengan Raspberry Pi 4 Kemudian merubah citra RGB menjadi citra
Sensor Ultrasonic Raspberry Pi 4 grayscale dan melakukan resize menjadi ukuran
HCSR04 128 pixel. Selanjutnya hasil dari pre processing
VCC Pin 1 (Power 3.3v) tadi akan dilakukan ekstraksi fitur menggunakan
Trig Pin 16 (GPIO23)

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2475

metode statistik yaitu Gray Level Co-occurrence
Matrix. Metode ini merupakan suatu matriks
yang menggambarkan frekuensi dari pasangan
dua piksel yang berada dalam jarak dan arah
tertentu dalam citra (Prasetyo, 2011). Pada
penelitian ini menggunakan jarak d= 1, 2 dan
arah sudut θ= 0°, 45°, 90°,135°. Metode ini
dapat mengidentifikasi ciri tekstur dari kulit
buah melon yang tebal dan memiliki jaring-
jaring sebagai pencirinya. Pada penelitian ini
menggunakan 5 fitur yaitu:
1) Contrast
Contrast merupakan fitur yang
mengukur nilai keabuan antar pasangan
piksel.
∑𝑖 ∑𝑗(𝑖 − 𝑗)2 𝑝(𝑖, 𝑗)
2) Homogeneity
Homogeneity merupakan fitur yang
mengukur variasi kehomogenan pada
citra.
𝑝(𝑖,𝑗)
∑𝑖 ∑𝑗
1+|𝑖−𝑗|
3) Energy
Energy merupakan fitur yang mengukur
konsentrasi pasangan antar piksel.
∑𝑖 ∑𝑗 p2 (i, j) (3)
dijadikan kombinasi pada setiap kernel untuk
mendapatkan model hyperplane terbaik. Pada
penelitian ini menggunakan 3 kernel yaitu:
1) Linear
K(x,z) = xTz (6)
2) RBF
K(x,z) = exp[-𝛾||𝑥 − 𝑧||2] (7)
3) Polynomial
K(x,z) = (xTz)d (8)
3.3 Implementasi Sistem
Pada implementasi sistem menjelaskan
terkait penyusunan seluruh komponen yang
digunakan agar menjadi suatu sistem yang utuh.
(1) Komponen yang digunakan yaitu Raspberry Pi,
kamera Raspberry, sensor ultrasonic, push
button dan LCD 16x2. Seluruh komponen yang
digunakan dimasukkan ke dalam project box
agar terlihat lebih rapi dan praktis. Pada Gambar
4 dapat terlihat seluruh komponen yang
(2)
digunakan. Sedangkan pada Gambar 5 terlihat
seluruh komponen telah berada di dalam project
box dan menjadi sebuah sistem pendeteksi
kemanisan buah melon.

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

3.2.2 Perancangan Metode Support Vector

Machine
Pada tahap ini membahas bagaimana alur
Support Vector Machine untuk melakukan
Gambar 5. Implementasi Keseluruhan Sistem
deteksi kelas manis atau tidak manis dengan
melatih gambar dengan data latih yang telah
4. PENGUJIAN DAN ANALISIS
dinormalisasikan sebelumnya. Dimulai dari
memanggil nilai hasil ekstraksi fitur yang telah 4.1. Pengujian Sensor Ultrasonic
didapat pada proses Gray Level Co-occurrence
Matrix. Selanjutnya menentukan parameter C Pada pengujian sensor ultrasonic,
dan gamma terbaik menggunakan grid search. dilakukan 10 pengujian dengan jarak yang
Pada pencarian parameter ini, memasukkan berbeda-beda. Dapat dilihat pada Tabel 4 hasil
beberapa variasi nilai C dan gamma yang ingin pengujian sensor ultrasonic yang mendapatkan
diuji. Pada pengujian parameter ini, didapatkan rata-rata error sebesar 1.97%. Error tersebut
nilai terbaik untuk C=2 dan gamma=1. Hasil dapat dipengaruhi oleh permukaan dan stabilitas
dari pencarian parameter terbaik nantinya akan pemegangan dari alat, sehingga pemegangan alat

Fakultas Ilmu Komputer, Universitas Brawijaya

 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2476

diharuskan stabil agar error yang didapat kecil.

Dari rata-rata error tersebut, didapatkan akurasi Rata-Rata Akurasi Variasi Jarak d=1,2 dengan Sudut
sensor ultrasonic sebesar 98.03% yang θ = 0°, 45°, 90°, 135°
menandakan bahwa sensor dapat bekerja dengan 100%
baik. 80%
60%
Tabel 4. Hasil Pengujian Sensor Ultrasonic 40%
Pengukuran 20%
Pengukuran Nilai Error
No Sensor 0%
Penggaris (%)
Ultrasonic θ = 0 θ = 45 θ = 90 θ = 135 θ = 0 θ = 45 θ = 90 θ = 135
1 5 cm 5.33 cm 6.6
2 6 cm 6.19 cm 3.16 Jarak 1 Jarak 2
3 7 cm 7.09 cm 1
Linear RBF Polynomial
4 8 cm 8.08 cm 1
5 9 cm 9.53 cm 5.88
6 10 cm 10.02 cm 0.2 Gambar 6. Grafik Rata-Rata Akurasi
7 11 cm 10.91 cm 0.81
8 12 cm 12.05 cm 0.41
9 13 cm 13.07 cm 0.53
10 14 cm 13.98 cm 0.14
Rata-Rata Error 1.97

4.2. Pengujian Akurasi

Pada pengujian akurasi ini dilakukan untuk
mengetahui rata-rata akurasi sistem dengan
pengujian masing-masing kernel dengan variasi
jarak d dan arah sudut θ. Pengujian ini
menggunakan 15 buah melon yang akan
dihitung rata-rata akurasinya dengan kernel Gambar 7. Visualisasi Hasil Pengujian
linear, RBF dan polynomial pada variasi d=1,2
dan θ= 0°, 45°, 90°, 135°. Pengujian ini akan 4.3. Pengujian Waktu Komputasi
membandingkan hasil deteksi pada sistem
dengan hasil deteksi secara manual Pada pengujian waktu komputasi ini
menggunakan refractometer brix. Untuk buah dilakukan dengan menghitung waktu komputasi
melon sendiri memiliki tingkat kemanisan dari 15 melon dan akan dihitung rata-rata untuk
sebesar buruk 8°Brix, rata-rata 10°Brix, baik mengetahui berapa lama sistem berjalan.
12°Brix, dan sangat baik 14°Brix (Delfiendra, Pengujian ini menghitung rata-rata waktu dari
2016). Pengujian ini menghasilkan total 24 setiap kernel, dimulai saat mengambil gambar
akurasi, dengan akurasi tertinggi pada kernel hingga menampilkan hasil deteksi pada LCD.
RBF variasi d=2 dan θ= 45°. Tabel 5 merupakan Tabel 6 merupakan hasil pengujian waktu
hasil pengujian akurasi pada 15 melon komputasi pada kernel RBF variasi d=2 dan θ=
menggunakan kernel RBF variasi d=2 dan θ= 45° pada 15 melon dan menghasilkan rata-rata
45° dengan akurasi sebesar 86%. Gambar 6 waktu komputasi sebesar 8.5403 detik.
merupakan grafik hasil rata-rata akurasi dari Tabel 6. Hasil Pengujian Waktu Komputasi
seluruh percobaan.
Variasi Pengujian Waktu
kernel Rata-rata
Tabel 5. Hasil Pengujian Akurasi Tertinggi d dan θ Melon Komputasi (s)
Melon 1 8.5074
Variasi Pengujian Melon 2 8.5065
kernel Deteksi Hasil Akurasi
d dan θ Melon Melon 3 8.5728
Melon 1 Tidak Manis Sesuai Melon 4 8.5188
Melon 2 Manis Sesuai Melon 5 8.4777
Melon 3 Manis Sesuai Melon 6 8.5146
Melon 4 Manis Sesuai Melon 7 8.5677
d= 2
Melon 5 Tidak Manis Sesuai RBF Melon 8 8.5016 8.5403
θ = 45
Melon 6 Manis Sesuai Melon 9 8.5324
Melon 7 Manis Sesuai Melon 10 8.5541
d= 2 Melon 11 8.5509
RBF Melon 8 Manis Sesuai 86%
θ = 45 Melon 12 8.5725
Melon 9 Manis Sesuai
Melon 10 Tidak Manis Sesuai Melon 13 8.5297
Melon 11 Tidak Manis Sesuai Melon 14 8.6886
Melon 12 Tidak Manis Sesuai Melon 15 8.5104
Melon 13 Manis Tidak Sesuai
Melon 14 Tidak Manis Sesuai
Melon 15 Manis Tidak Sesuai

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2477

5. PENUTUP Delfiendra, 2016. Indonesia Customs & Excise

Laboratory Bulletin. In: Nilai Brix Untuk
5.1. Kesimpulan
Menentukan Kualitas Pada Buah-
1. Didapatkan hasil rata-rata error dari seluruh
Buahan. s.l.:s.n., p. 15.
percobaan sensor ultrasonic sebesar 1.97%.
Dispertan, 2014. [Online] Available at:
Akurasi sensor ultrasonic yang didapat dari
https://dispertan.bantenprov.go.id/lama/re
rata-rata error, sebesar 98.03% yang berarti
ad/artikel/1274/Syarat-Tumbuh-
sensor ultrasonic dapat bekerja dengan
Tanaman-Melon.html
baik.
Prasetyo, E., 2011. Pengolahan Citra Digital
2. Dari seluruh pengujian rata-rata akurasi
Dan Aplikasinya Menggunakan Matlab.
pada setiap kernel Linear, RBF dan
yogyakarta: Andi.
Polynomial dengan variasi nilai d= 1, 2 dan
Prayoga, A., Tawakal, H. A. & Aldiansyah, R.,
θ= 0°, 45°, 90°, 135° didapatkan kombinasi
2018. Pengembangan Metode Deteksi
terbaik adalah pada variasi d= 2 dan θ= 45°
Tingkat Kematangan Buah Melon.
menggunakan kernel RBF dengan akurasi
[Online] Available at:
tertinggi sebesar 86%. Model kernel RBF
http://journal.nurulfikri.ac.id/index.php/J
cocok digunakan untuk deteksi citra ini
TT/article/view/112/95
dikarenakan kulit buah melon yang
[Accessed 13 Februari 2020].
memiliki jaring-jaring tidak berstruktur
Rifkian, B. E., Suharso, P. & Sukidin, 2017.
sehingga cocok dengan model RBF yang
Modernisasi Pertanian (Studi Kasus
memiliki garis pemisah berupa garis
Tentang Peluang Kerja Dan Pendapatan
lengkung, yang cocok digunakan untuk
Petani Dalam Sistem Pertanian Di Desa
permasalahan berdimensi tinggi.
Dukuhdempok Kecamatan Wuluhan
3. Pengujian waktu komputasi yang
Kabupaten Jember). [Online] Available
dibutuhkan oleh sistem pada kernel RBF
at:https://jurnal.unej.ac.id/index.php/JPE/
variasi d= 2 θ= 45° dari melakukan
article/view/4995 [Accessed 13 Februari
pengambilan gambar, memproses gambar
2020].
hingga melakukan deteksi dan
Widyaningsih, M., 2016. Identifikasi
menampilkan pada LCD 16x2 sebesar
Kematangan Buah Apel dengan Gray
8.5403 detik
Level Co-ocurrence Matrix (GLCM).
[Online] Available at:
5.2. Saran
http://stmikplk.ac.id/jurnal/index.php/sai
1. Penelitian ini mendapatkan kombinasi
ntekom/article/download/7/1
akurasi tertinggi sehingga dapat dijadikan
[Accessed 1 Februari 2020].
rekomendasi untuk penelitian selanjutnya.
2. Penelitian ini hanya mendeteksi manis dan
tidak manis, diharapkan dapat dibedakan
lagi sesuai dengan tingkat kemanisan melon
yaitu buruk, rata-rata, baik dan sangat baik
pada penelitian selanjutnya.
3. Diharapkan untuk penelitian selanjutnya
dapat melakukan pendeteksian dari
berbagai jarak, tidak hanya 10 cm.
4. Dapat menambahkan proses penajaman
citra seperti image enhancement untuk
memperjelas tekstur jaring-jaring dari kulit
buah melon dan mendapat hasil yang lebih
baik.

6. DAFTAR PUSTAKA
Aziz, A., Suhartono, V. & Himawan, 2017.
Model Multiclass SVM Menggunakan
Strategi 1V1 Untuk Klasifikasi Wall
Following Robot Navigation Data.

Fakultas Ilmu Komputer, Universitas Brawijaya