Identifikasi Jenis Anggur Otomatis Menggunakan Kombinasi Median Filter, K-Means, Lab*, dan Ekstraksi Fitur

Jefri Harnaranda; Afriadi Afriadi; Agung Ramadhanu

doi:10.37985/jer.v5i4.1864

Authors

Jefri Harnaranda Universitas Putra Indonesia, Indonesia
Afriadi Afriadi Universitas Putra Indonesia, Indonesia
Agung Ramadhanu Universitas Putra Indonesia, Indonesia

DOI:

https://doi.org/10.37985/jer.v5i4.1864

Keywords:

Klasifikasi anggur, K-Means clustering, Segmentasi warna, Median Filter, Analisis tekstur

Abstract

Identifikasi varietas anggur secara otomatis adalah langkah krusial dalam proses penyortiran dan pengendalian kualitas di sektor makanan. Dalam penelitian ini, kami mengembangkan sistem untuk mengidentifikasi anggur merah dan hijau dengan memanfaatkan kombinasi Median Filter, segmentasi warna menggunakan K-Means Clustering, serta analisis fitur tekstur. Hasilnya menunjukkan bahwa sistem ini mampu mencapai akurasi 95.45% dalam membedakan kedua jenis anggur dengan waktu eksekusi yang efisien. Dengan mengurangi noise melalui Median Filter, melakukan segmentasi warna dalam model warna Lab*, dan mengekstraksi fitur tekstur menggunakan Gray Level Co-occurrence Matrix, metode ini menunjukkan potensi yang signifikan untuk diterapkan dalam sistem penyortiran buah otomatis. Penelitian ini berkontribusi pada peningkatan efisiensi dan akurasi dalam identifikasi varietas anggur, yang sangat penting bagi industri makanan. Penelitian lebih lanjut dapat difokuskan pada penerapan teknik machine learning untuk meningkatkan kinerja klasifikasi pada dataset yang lebih besar dan lebih beragam.

Downloads

Download data is not yet available.

References

Bhargava, A., & Bansal, A. (2021). Fruits and vegetables quality evaluation using computer vision: A review. Journal of King Saud University-Computer and Information Sciences, 33(3), 243-257.

Rosdiana, R., Utomo, W., Daud, M., & Muhammad, M. (2023). Analisa deteksi tingkat kualitas minyak pada buah sawit berdasarkan tingkat kematangan warna buah menggunakan drone berbasis pengolahan citra di PTPN Membang Muda Sumut. Sang Pencerah: Jurnal Ilmiah Universitas Muhammadiyah Buton, 9(1), 184-191.

Siskandar, R., Indrawan, N. A., Kusumah, B. R., Santosa, S. H., & Irmansyah, I. (2020). Penerapan rekayasa mesin sortir sebagai penentu kematangan buah jeruk dan tomat merah berbasis image processing. Jurnal Teknik Pertanian Lampung, 9(3), 222-236.

Pangesti, W. E., Riana, D., & Hadianti, S. (2021). Perbandingan segmentasi citra psoriasis menggunakan algoritma K-Means clustering dan algoritma thresholding. Jurnal Khatulistiwa Informatika, 9(2).

Rezki, M., Nurdiani, S., Safitri, R. A., Ihsan, M. I. R., & Iqbal, M. (2022). Segmentasi api dan asap pada kebakaran dengan metode K-Means clustering. Computer Science (CO-Science), 2(1), 26-32.

Trisnawan, A., & Hariyanto, W. (2019). Klasifikasi beras menggunakan metode K-Means clustering berbasis pengolahan citra digital. RAINSTEK: Jurnal Terapan Sains & Teknologi, 1(1), 16-24.

Wang, J., Tang, C., Zheng, X., Liu, X., Zhang, W., Zhu, E., & Zhu, X. (2023). Fast approximated multiple kernel k-means. IEEE Transactions on Knowledge and Data Engineering.

Saputro, W., & Sumantri, D. B. (2022). Implementasi citra digital dalam klasifikasi jenis buah anggur dengan algoritma K-Nearest Neighbors (KNN) dan data augmentasi. Journal of Information Technology and Computer Science (INTECOMS, 5(2), 248–253.

Landa, V., Shapira, Y., David, M., Karasik, A., Weiss, E., Reuveni, Y., & Drori, E. (2021). Accurate classification of fresh and charred grape seeds to the varietal level, using machine learning based classification method. Scientific Reports, 11(1), 13577.

Mulyana, D. I., & Franido, R. (2022). Segmentasi citra grayscale dengan metode K-Means clustering gerak tangan bahasa isyarat Indonesia. Smart Comp: Jurnalnya Orang Pintar Komputer, 11(4), 573-582.

Yao, Z. (2023, February). Identification of grape leaf diseases and insect pests based on artificial intelligence. In 2023 IEEE 2nd International Conference on Electrical Engineering, Big Data and Algorithms (EEBDA) (pp. 144-147). IEEE.

Mazzei, P., Sica, A., Migliaro, C., Altieri, G., Funicello, N., Pasquale, S., ... & Celano, G. (2024). MRI and HR-MAS NMR spectroscopies to correlate structural characteristics and the metabolome of Fiano and Pallagrello grapes with the action of field spray preparation 500 and the soil spatial microvariability.

Latifah, U. W., Bahri, S., & Satriandhini, M. (2024). Implementasi algoritma K-Means clustering untuk strategi promosi kampus IBISA. JIKO (Jurnal Informatika dan Komputer), 8(2), 292-300.

Wardani, S. D. K., Ariyanto, A. S., Umroh, M., & Rolliawati, D. (2023). Perbandingan hasil metode clustering K-Means, DB Scanner & Hierarchical untuk analisa segmentasi pasar. JIKO (Jurnal Informatika dan Komputer), 7(2), 191-201.

Yuhand ri, Y., Ramadhanu, A., & Syahputra, H. (2022). Pengenalan teknologi pengolahan citra digital (Digital Image Processing) untuk santri di Rahmatan Lil’Alamin International Islamic Boarding School. Community Development Journal: Jurnal Pengabdian Masyarakat, 3(2), 1239-124.

Bette, A. C., Falter, R., Ludwig, M., Lippmann, B., Siegelin, F., Egger, P., & Knoll, A. (2023, July). No-reference image quality assessment for reverse engineering of integrated circuits. In 2023 IEEE International Symposium on the Physical and Failure Analysis of Integrated Circuits (IPFA) (pp. 1-9). IEEE.

Smith, J., & Lee, K. (2022). Optimizing image datasets for accurate grape variety classification. Journal of Agricultural Imaging, 15(3), 123-145.

Carneiro, G., Machado Pádua, L. F., Peres, E., Morais, R., Sousa, J. B., & Cunha, A. (2022, July 17). Segmentation as a preprocessing tool for automatic grapevine classification. IEEE International Geoscience and Remote Sensing Symposium. https://doi.org/10.1109/IGARSS46834.2022.9884946

Marani, R., Milella, A., Petitti, A., & Reina, G. (2021). Deep neural networks for grape bunch segmentation in natural images from a consumer-grade camera. Precision Agriculture, 22(2), 387-413.