KLASIFIKASI TINGKAT KEMATANGAN PISANG DENGAN METODE HSV, GLCM, PCA, SVM
Article Sidebar
Read Counter : 1
Download : 0
Main Article Content
Abstract
Penelitian ini bertujuan untuk mengklasifikasi tingkat kematangan pisang secara otomatis menggunakan kombinasi metode HSV, GLCM, PCA dan SVM. Proses dimulai dengan pengambilan citra pisang dari kaggle yang dibagi menjadi 4 jenis kematangan, yaitu sangat matang, matang, busuk dan mentah. Fitur warna diekstrak menggunakan metode HSV, sedangkan fitur tekstur diambil melalui metode GLCM. Fitur-fitur ini selanjutnya direduksi dimensinya menggunakan PCA untuk meningkatkan efisiensi dalam klasifikasi. Langkah terakhir adalah melakukan klasifikasi dengan algoritma SVM. Penelitian ini membuat beberapa perbandingan pada hasil eksperimen yaitu proporsi 60% data pelatihan dan 40% data pengujian, proporsi 70% data pelatihan dan 30% data pengujian, dan proporsi 80% data pelatihan dan 20% data pengujian. Hasil eksperimen pada proporsi 80% data pelatihan dan 20% data pengujian menunjukkan hasil performa tertinggi dan paling optimal. Temuan ini memiliki potensi untuk diterapkan dalam sektor pertanian guna mendukung proses penyebaran buah secara otomatis dan efisien.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] S. P. Adenugraha, V. Arinal, and D. I. Mulyana, “Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, p. 9, Jan. 2022, doi: 10.30865/mib.v6i1.3287.
[2] Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 11, no. 3, pp. 394–399, Dec. 2022, doi: 10.32736/sisfokom.v11i3.1502.
[3] M. Muchtar and R. A. Muchtar, “PERBANDINGAN METODE KNN DAN SVM DALAM KLASIFIKASI KEMATANGAN BUAH MANGGA BERDASARKAN CITRA HSV DAN FITUR STATISTIK,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4010.
[4] D. Wandi and N. Hayati, “DETEKSI KELAYUAN BUNGA MAWAR DENGAN METODE TRANSFORMASI RUANG WARNA HSI DAN HSV,” STRING (Satuan Tulisan Riset dan Inovasi Teknologi) , vol. 5, 2021.
[5] R. P. Suhendri, “Metode Grayscale Co-occurrence Matrix (GLCM) Untuk Klasifikasi Jenis Daun Jambu Air Menggunakan Algoritma Neural Network,” Journal of Information Technology, vol. 01, no. 01, 2019.
[6] N. Dewi Saputri, K. kunci-Pempek, T. Blok Citra, and J. Syaraf Tiruan, “Identifikasi Kadar Ikan Pada Pempek Menggunakan Teknik Blok Citra Dengan Fitur GLCM Dan Metode JST,” Jurnal Algoritme, vol. 3, no. 1, 2022.
[7] S. M. Vijithananda et al., “GLCM Texture Feature Analysis of MRI-ADC Images to Differentiate Glioma Grades Using Machine Learning Techniques,” Aug. 30, 2022. doi: 10.36227/techrxiv.20624406.v1.
[8] M. Mayasari, D. Iskandar Mulyana, M. Betty Yel, and S. Tinggi Ilmu Komputer Cipta Karya Informatika Jl Raden, “KOMPARASI KLASIFIKASI JENIS TANAMAN RIMPANG MENGGUNAKAN PRINCIPAL COMPONENT ANALIYSIS, SUPPORT VECTOR MACHINE, K-NEAREST NEIGHBOR DAN DECISION TREE,” Jurnal Teknik Informatika Kaputama (JTIK), vol. 6, no. 2, 2022.
[9] S. Yulihartati and A. X. Ramadhanu Universitas Putra Indonesia YPTK Padang Jl Raya Lubuk Begalung nan Padang, “IMPLEMENTASI ALGORITMA KNN, PCA PADA KLASIFIKASI BUAH PIR MADU, PIR HIJAU DAN APEL MERAH,” Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 4, p. 5593, 2025.
[10] R. Kosasih, “Pengenalan Wajah Menggunakan PCA dengan Memperhatikan Jumlah Data Latih dan Vektor Eigen,” Jurnal Informatika Universitas Pamulang, vol. 6, no. 1, p. 1, Mar. 2021, doi: 10.32493/informatika.v6i1.7261.
[11] R. Rianti, R. Andarsyah, and R. M. Awangga, “Penerapan PCA dan Algoritma Clustering untuk Analisis Mutu Perguruan Tinggi di LLDIKTI Wilayah IV,” NUANSA INFORMATIKA, vol. 18, no. 2, pp. 2614–5405, 2024.
[12] D. Irawan, E. B. Perkasa, Y. Yurindra, D. Wahyuningsih, and E. Helmud, “Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 10, no. 3, pp. 432–437, Dec. 2021, doi: 10.32736/sisfokom.v10i3.1302.
[13] N. G. A. Dasriani, L. A. G. Pariandi, and I. M. Y. Dharma, “Analisis Sentimen Program Jaminan Kesehatan Nasional Menggunakan Multiclass Support Vector Machine,” BIOS : Jurnal Teknologi Informasi dan Rekayasa Komputer, vol. 6, no. 1, pp. 20–30, Nov. 2024, doi: 10.37148/bios.v6i1.136.
[14] S. Talib, S. Sudin, M. Dzikrullah Suratin, J. K. Ahmad Dahlan No, S. Kec Ternate Selatan, and K. Ternate Maluku Utara, “PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) PADA KLASIFIKASI JENIS CENGKEH BERDASARKAN FITUR TEKSTUR DAUN,” Jurnal RESTIA, vol. 2, no. 1, 2024.
[15] R. S. Wijaya, A. Qur’ania, and I. Anggraeni, “Klasifikasi Penyakit Cacar Monyet Menggunakan Support Vector Machine (SVM),” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 4, pp. 1253–1260, Jul. 2024, doi: 10.57152/malcom.v4i4.1417.