KLASIFIKASI BUAH MANGGA BERDASARKAN TINGKAT KEMATANGAN MENGGUNAKAN LEAST-SQUARES SUPPORT VECTOR MACHINE

Keywords: Mangga, GLCM, K-Means Clustering, LS-SVM

Abstract

Buah mangga adalah buah musiman yang sudah umum diketahui oleh masyarakat di Indonesia. Buah yang berasal dari India ini mempunyai banyak jenis yang banyak digemari oleh masyarakat Indonesia. Tanaman Mangga dapat tumbuh dengan baik di dataran rendah dan berhawa panas. Akan tetapi, ada juga yang dapat tumbuh di daerah yang memiliki ketinggian hingga 600 meter di atas permukaan laut. Batang pohon mangga tegak, bercabang agak kuat. Kulit tebal dan kasar dengan banyak celah-celah kecil dan sisik-sisik bekas tangkai daun.

Dalam kasus kematangan buah mangga, terkadang ada buah mangga yang memiliki warna yang cukup matang tetapi masih terasa asam, begitu pun sebaliknya. Sehingga untuk para konsumen diperlukan sebuah alat bantu untuk mengetahui tingkat kematangan dari buah Mangga. Metode sebelumnya telah berhasil mengklasifikasikan tingkat kematangan buah Mangga Harum Manis berdasarkan normalisasi warna dengan menggunakan metode Fuzzy Logic, namun kelemahan dari penelitian ini adalah metode yang digunakan hanya dapat digunakan untuk satu jenis buah mangga.

Pada penelitian ini akan diusulkan metode GLCM digabungkan dengan K-Means Clustering untuk ekstraksi fitur pada buah mangga sehingga nantinya dapat digunakan pada berbagai jenis Mangga. Dengan menggunakan LS-SVM untuk menentukan tingkat kematangan buah Mangga. Dataset yang digunakan berjumlah 240 data, terdiri dari masing-masing 80 data untuk mangga jenis harum manis, mangga jenis manalagi, dan mangga jenis kent, masing-masing jenis terdiri dari 40 data mangga mentah dan 40 data data matang. Hasil Klasifikasi LS-SVM dengan menggunakan metode GLCM dan K-Means Clustering untuk Ekstraksi Fitur mendapatkan nilai akurasi sebesar 98,33% pada data uji.

Downloads

Download data is not yet available.

References

AAK. 1991. Mangga. Yogyakarta: Kanisius. [Serial on line]. https://books.google.co.id/books?id=j02Pj6omzlsC&pg=PA19&dq=mangga&hl=id&sa=X&ved=0ahUKEwiMqOCrcDPAhVDuo8KHcMnBaAQ6AEIHzAB#v=onepage&q=mangga&f=false. [04 Juni 2017].

Cortes, C., & Vapnik, V. 1995. Support vector networks. Machine Learning, 20 (3), 273–297.

Hermawati, Fajar Astuti. 2013. Pengolahan Citra Digital. Yogyakarta: Andi Offset.

QN Setiawan, dkk. 2015. Pengelompokan Kayu Kelapa Menggunakan Algoritma K-Means Berdasarkan Tekstur Citra Kayu Kelapa Dua Dimensi. Universitas Dian Nuswantoro, Semarang.

Nurdayati, Niki, dkk. 2016. Klasifikasi Kematangan Buah Mangga Harum Manis Berdasarkan Normalisasi Warna Menggunakan Metode Fuzzy Logic Berbasis Web. FMIPA Universitas Pakuan Bogor.

Mulato Febry, 2014. Klasifikasi kematangan buah jambu biji merah ( psidium guajava) dengan menggunakan model fuzzy. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta, Yogyakarta.

Zheng, Hong, dkk. 2012. A least-squares support vector machine (LS-SVM) based on fractal analysis and CIELab parameters for the detection of browning degree on mango (Mangifera indica L.). Computer and Electronic in Agriculture. Vol. 83, 47-51.

Kolar, R., Harabis, V. 2009. Automatic Rigid Registration and Analysis of Colour Fundus Image in Patient with Diabetic Retinopathy, IFMBE proceedings, vol 25/11, 251-24.

Cortes, C., & Vapnik, V. 1995. Support vector networks. Machine Learning, 20 (3), 273–297.

Putra, D., Suarjana, I.G., 2010. Segmentasi citra retina digital retinopati diabetes untuk membantu pendeteksian mikroaneurisma. Jurnal teknologi teknik elektro vol 9 no 1.

Hermawati, Fajar Astuti. 2013. Pengolahan Citra Digital. Yogyakarta: Andi Offset.

Wahyudi, dkk. 2012. Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine. Jurnal Sistem Informasi Bisnis 03.

Published
2018-12-04
How to Cite
[1]
Cahya Bagus and Muhammad Imron, “KLASIFIKASI BUAH MANGGA BERDASARKAN TINGKAT KEMATANGAN MENGGUNAKAN LEAST-SQUARES SUPPORT VECTOR MACHINE”, EXPLORIT, vol. 10, no. 2, pp. 1-8, Dec. 2018.