Klasifikasi Kematangan Buah Ciplukan dengan Metode Naive Bayes dan Ekstraksi Fitur GLCM
Abstract
Ciplukan fruit has high nutritional value, but is often considered a weed or wild plant by the public. The lack of public knowledge about this fruit causes them to not know whether this fruit is ripe or unripe, which results in errors in consuming it. This research aims to develop a ciplukan fruit ripeness classification system, the method used is Naive Bayes and GLCM. Image data of unripe and ripe ciplukan as many as 100 samples were collected and processed. The preprocessing results, including Grayscale, Cropping, and Resize, help prepare the images for classification. GLCM feature extraction produces relevant special features. The Naive Bayes method provides sufficient accuracy in classifying the ripeness of ciplukan fruit. This system can help people choose ripe fruits more accurately, improve consumption quality, and understand their health benefits. The accuracy obtained was 67.3%. However, this research has data and method limitations that can be improved with further data collection and the development of more sophisticated image processing techniques.
Keywords: Naive Bayes; GLCM; Classification; Ciplukan Fruit
Abstrak
Buah ciplukan memiliki nilai gizi yang tinggi, tetapi sering dianggap sebagai gulma atau tanaman liar oleh masyarakat. Kurangnya pengetahuan masyarakat tentang buah ini menyebabkan mereka tidak tahu apakah buah ini sudah matang atau masih mentah, yang mengakibatkan kesalahan dalam mengkonsumsinya. Penelitian ini bertujuan mengembangkan sistem klasifikasi kematangan buah ciplukan, metode yang digunakan Naive Bayes dan GLCM. Data gambar ciplukan mentah dan matang sebanyak 100 sampel dikumpulkan dan diolah. Hasil preprocessing, termasuk Grayscale, Cropping, dan Resize, membantu mempersiapkan gambar untuk klasifikasi. Ekstraksi fitur GLCM menghasilkan ciri khusus yang relevan. Metode Naive Bayes memberikan akurasi yang memadai dalam mengklasifikasikan kematangan buah ciplukan. Sistem ini dapat membantu masyarakat memilih buah yang matang secara lebih akurat, meningkatkan kualitas konsumsi, dan memahami manfaat kesehatannya. Akurasi yang diperoleh sebesar 67.3%. Namun, penelitian ini memiliki keterbatasan data dan metode yang dapat ditingkatkan dengan pengumpulan data lebih lanjut dan pengembangan teknik pemrosesan citra yang lebih canggih.
Keywords
References
T. A. Sahidu dan S. , “Penyuluhan Pemanfaatan Buah Ciplukan Sebagai Bahan Makanan Sehat Melalui Metode Jaga Jarak Fisik Akibat Wabah Covid 19,” Jurnal Gema Ngabdi, vol. 2, no. 2, pp. 139-146, 2020.
I. S. Laia, “Pemanfataan Ciplukan (Physalis Angulata) Sebagai Tanaman Obat Hipertensi Di Desa Mohilikecamatan Amandraya Kabupaten Nias Selatan,” FAGURU: Jurnal Ilmiah Mahasiswa Keguruan, vol. 1, no. 2, pp. 119-127, 2023.
F. R. K, Gulma Ajaib Penakluk Aneka Penyakit, Sleman: Deepublish, 2020.
Effendy, Respatijarti dan B. Waluyo, “Keragaman Genetik Dan Heritabilitas Karakter Komponen Hasil Dan Hasil Ciplukan,” Jurnal AGRO, vol. 5, no. 1, pp. 30-38, 2018.
N. D. Susanti, E. Widajati dan D. Guntoro, “Studi Perkecambahan Benih Ciplukan (Physalis peruviana L.) Pada Beberapa Tingkat Masak Buah,” Buletin Agrohorti, vol. 7, no. 3, pp. 263-269, 2019.
H. P. Hadi dan E. H. Rachmawanto, “Ekstraksi Fitur Warna Dan Glcm Pada Algoritma Knn Untuk Klasifikasi Kematangan Rambutan,” JIP (Jurnal Informatika Polinema), vol. 8, no. 3, pp. 63-68, 2022.
H. S. Sambudi, “Sistem Cerdas Klasifikasi Kematangan Dan Harga Buah Pepaya Berdasarkan Ekstraksi Fitur Gray Level Co-Occurence Matrix Dengan Metode Naive Bayes,” dalam Universitas Islam Indonesia, Sleman, 2021.
Q. Shandy, S. S. Panna dan Y. Malago, “Penerapan Metode Grey Level Co-Occurrence Matriks (GLCM) dan K-Nearest Neighbor (K-NN) Untuk Mendeteksi Tingkat Kematangan Buah Belimbing Bintang,” Jurnal Nasional cosPhi, vol. 3, no. 1, pp. 31-36, 2019.
R. Harun, “Identifikasi Tingkat Kematangan Buah Jambu Biji Menggunakan Fitur Ekstraksi GLCM dengan Metode KNN,” Jurnal Cosphi, vol. 5, no. 1, pp. 7-12, 2021.
N. P. Batubara, D. Widiyanto dan N. Chamidah, “Klasifikasi Rempah Rimpang Berdasarkan Ciri WarnaRGBDan Tekstur GLCMMenggunakan Algoritma Naive Bayes,” JURNAL INFORMATIK, vol. 16, no. 3, pp. 156-163, 2020.
B. Simatupang, S. F. Pane dan N. H. Harani, Cara Cepat dan Mudah untuk Melakukan Recruitment Karyawan Perbankan Menggunakan Algoritma Naive Bayes, Bandung: Ktreatif Industri Nusantara, 2020.
C. B. Roring, D. I. Mulyana, Y. T. Lubis dan A. R. Zamzami, “Klasifikasi Tingkat Kematangan Buah Jambu Bol Berdasarkan Warna Kulit Menggunakkan Metode Naïve Bayes,” Jurnal Pendidikan Tambusai, vol. 6, no. 1, pp. 2938-2948, 2022.
E. I. Sela dan M. Ihsan, “Deteksi Kualitas Telur Menggunakan Analisis Tekstur,” IJCCS, vol. 11, no. 2, pp. 199-208, 2017.
N. Nafi'iyah dan S. Mujilahwati, Buku Ajar Citra Binarisasi Dan Enchancement, Sleman: DEEPUBLISH, 2018.
C. Rahmad, M. Astiningrum dan N. B. Purnomo, “Identifikasi Dan Prediksi Tingkat Kematangan Pisang Candi Dengan Fitur Warna Dan Tekstur Menggunakan Metode K-Nearest Neighbor,” Seminar Informatika Aplikatif Polinema, pp. 188-193, 2019.
S. Sanjaya, M. L. Pura, S. K. Gusti, F. Yanto dan F. Syafria, “K-Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue, Saturation, and Value Colors,” Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), vol. 2, no. 2, p. 101 – 106, 2019.
E. S. H. Sitorus dan R. Hidayati, “Klasifikasi Kematangan Pepaya Menggunakan Ruang Warna Hsv Dan Metode Naive Bayes Classifier,” Jurnal Komputer dan Aplikasi, vol. 09, no. 01, pp. 66-75, 2021.
I. Setiawati dan E. I. Sela, “Classification of Facial Expression Using Principal Component Analysis (PCA) Method and Support Vector Machine (SVM),” International Journal of Computer and Information Technology, vol. 11, no. 1, pp. 23-29, 2022.
How To Cite This :
Refbacks
- There are currently no refbacks.
