MEMBANDINGKAN KLASIFIKASI PADA BUAH JERUK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DAN K-NEAREST NEIGHBOR
Article Sidebar
Main Article Content
Abstract
Jenis jeruk di Indonesia beraneka ragam dengan ciri-cirinya yang berbeda. Di Indonesia termasuk daerah subtropis yang sangat cocok ditanami tanaman buah jeruk dengan suhu rata-rata 20-25℃. Buah jeruk mempunyai peluang yang baik untuk dikembangkan karena dapat dijumpai di setiap musim. Tamanan jeruk juga mudah dan relevan untuk ditanami dengan semua kondisi cuaca baik di dataran tinggi atau dataran rendah. Tanaman jeruk menjadi salah satu komoditas terbesar di setiap daerah provinsi. Salah satunya jenis jeruk keprok yang memiliki kandungan vitamin C yang banyak. Kandungan vitamin C pada buah jeruk dapat digunakan untuk mencegah penyakit influenza. Kandungan lain yang dimiliki buah jeruk yaitu zat fosfor dan zat kapur yang baik untuk pertumbuhan tulang pada anak-anak. Ciri-ciri buah jeruk dilihat berdasarkan warna kulit, tekstur kulitnya yang halus, tipis, mengkilap, dan tegas. Namun terkadang konsumen masih kesulitan dalam memilih antara buah jeruk yang matang dan belum matang secara manual. Oleh sebab itu, untuk mengurangi kesalahan dalam memilih buah jeruk dapat dilakukan dengan Computer Vision dimana bisa menggunakan aplikasi deteksi menggunakan kamera. Berdasarkan ciri-cirinya yang dijadikan sebagai acuan untuk proses klasifikasi ini menggunakan Algoritma K-Nearest Neighbor dan Convolutional Neural Network untuk memperoleh hasil perbandingan. Pada proses klasifikasi menggunakan sampel data latih dan data uji. Proses klasifikasi ini mengubah sampel gambar asli menjadi warna grayscale menggunakan aplikasi matlab. Pada sampel gambar juga dapat melihat apakah pada buah jeruk masih terdapat noise maupun tidak. Dapat disimpulkan bahwa dari kedua algoritma tersebut dihasilkan Convolutional Neural Network mendapatkan nilai tingkat akurasi lebih besar dibandingkan K-Nearest Neighbor.
Article Details
Section
Penulis yang menerbitkan dengan jurnal ini setuju pada persyaratan berikut ini:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama, dengan pekerjaan 6 bulan setelah penerbitan secara simultan dengan lisensi di bawah: Creative Commons Attribution License yang memudahkan yang lain untuk berbagi karya dengan pengakuan penerbitan awal dan kepenulisan karya di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non-ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
How to Cite
References
B. Yanto et al., “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” vol. 6, no. 2, p. 2021.
“3935-11790-2-PB”.
M. Fadhlul Barkah et al., “Coding: Jurnal Komputer dan Aplikasi Klasifikasi Rasa Buah Jeruk Pontianak Berdasarkan Warna Kulit Buah Jeruk Menggunakan Metode K-Nearest Neighbor,” 2020.
I. K. Riastana, N. Komang Alit Astiari, and N. Putu Anom Sulistiawati, “Kualitas Buah Jeruk Siam (Citrus nobillis var microcarva L) Selama Penyimpanan pada Berbagai Tingkat Kematangan Buah,” Gema Agro, vol. 24, no. 1, pp. 22–28, 2019, [Online]. Available: http://ejournal.warmadewa.ac.id/index.php/gema-agro
I. Indrawati, “Klasifikasi Kematangan Jeruk Lemon Menggunakan Metode K-Nearest Neighbor,” J. Infomedia, vol. 2, no. 2, pp. 21–26, 2018, doi: 10.30811/.v2i2.514.
I. Tarsono, D. Triyanto, and T. Rismawan, “Prototype Pemisah Otomatis Jeruk Siam Berdasarkan Warna Menggunakan Metode KNN (K-Nearest Neighbor),” J. Coding, Sist. Komput. Untan, vol. 06, no. 1, pp. 44–53, 2018.
M. Furqan, A. Aulia, and Sriani, “Algoritma K-Means Untuk Segmentasi Kematangan Buah Jeruk Berdasarkan Kemiripan Warna,” J. Sains Komput. Inform., vol. 6, no. 1, pp. 199–208, 2022.
C. Paramita, E. Hari Rachmawanto, C. Atika Sari, and D. R. Ignatius Moses Setiadi, “Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 1–6, 2019, doi: 10.30591/jpit.v4i1.1267.
I. S. Wibisono, S. I. Novichasari, and M. A. Putri, “‘ Segmentasi Fuzzy C – Means Dan Neural Network Untuk Membantu Identifikasi Kualitas Buah Jeruk Berdasarkan Warna Dan Ukuran ,’” J. Prodi Tek. Inform. UNW “Multimatrix,” vol. II, no. 1, pp. 1–5, 2019.
A. Abdullah and K. Sandi, “Sistem Prediksi Rasa Buah Jeruk Menggunakan Metode K-Nearest Neighbor,” Method. J. Tek. Inform. dan Sist. Inf., vol. 7, no. 2, pp. 7–13, 2021, doi: 10.46880/mtk.v7i2.457.
S. Siagian, K. Ibnutama, and R. Mahyuni, “Implementasi Metode Ekstraksi Ciri Warna Untuk Mendeteksi Kematangan Buah Jeruk,” vol. 1, no. November, pp. 898–905, 2022.
H. Prabowo, “Deteksi Kondisi Kematangan Buah Jeruk Berdasarkan Kemiripan Warna Pada Ruang Warna RGB Berbasis Android,” J. Elektron. Sist. Inf. dan Komput., vol. 3, no. 2, pp. 9–19, 2017.
D. M. Asriny, S. Rani, and A. F. Hidayatullah, “Orange Fruit Images Classification using Convolutional Neural Networks,” in IOP Conference Series: Materials Science and Engineering, May 2020, vol. 803, no. 1. doi: 10.1088/1757-899X/803/1/012020.
M. T. Tamam, A. J. Taufiq, and W. Dwiono, “Rancang Bangun Purwarupa Sistem Deteksi Tingkat Kematangan Buah Jeruk Berdasarkan Warna Kulitnya,” J. Ris. Rekayasa Elektro, vol. 2, no. 2, pp. 2–5, 2020, doi: 10.30595/jrre.v2i2.7938.
E. P. Ratri, J. S. Wali, and Wahyuni, “Klasifikasi Kualitas Jeruk Lokal Berdasarkan Tekstur Dan Bentuk Menggunakan Metode K-Nearest Neighbor (K-NN),” COREAI J. Kecedasan Buatan, Komputasi dan Teknol. Inf., vol. 1, no. 1, pp. 10–17, 2020.