The limonia aurantifolia can be classified as a special fruit for Indonesia’s socialculture, the circumstance can be witnessed on cultural and religious ceremonies,together with excellent ingredients in traditional medicine and food. Quality of thelimonia aurantifolia determined by weight and maturity levels (age pluck after flower bloom) The area, texture and color indexes were extracted from 200 object sample images using the developed image processing software. The area attributed to weight and texture and color indexes attributed to maturity levels. The featuresextracted from the image were used as input for artificial neural network, that modelled to use 5 and 9 inputs on 6, 9, 13 and 15 hidden layers. The training of artificial neural network used value of 0.8 for momentum constant and learning rate constant, 1.0 for sigmoid function in 3000 iteration. The results showed thatquality provided the highest accurateness of validation of 95.85%.
PENDAHULUAN
Pemanfaatan buah jeruk nipis sudah lama dikenal oleh masyarakat Indonesia dan memiliki nilai ekonomi yang tinggi. Harga buah jeruk nipis ditentu-kan oleh mutu yang didasarkan pada tingkat ketuaan dan kematangan serta berat.Selama ini dalam pemanenan dan penjualan hasil panen, petani jeruk nipis masih belum melaku-kan pemilahan mutu sehingga harga jual rendah. Sedangkan pedagang pengumpul danindustri maka-nan dan obat tradisional melakukan penyortasian mutu menggunakan prosedur analisa warna kulit secara visual mata manusia dan jumlah buah per kilogram dengan segala keterbatasannya.Berdasarkan hal tersebut maka diperlukan suatu metode yang dapat menjamin keseragaman mutu jeruk nipis. Metode pengukuran non konvensional yaitu menggunakan pengolahan citra digital (image processing) menghasilkan data yang akan diproses secara pembelajaran dengan jaringan syaraf tiruan (artificial neural network) sehingga dapat digunakan untuk menentukan mutu buah. Tujuan umum dari penelitian ini adalah untuk menentukan mutu jeruk nipis secara non konven-sional dengan pengembangan algoritma pengolahan citra digital dan jaringan syaraf tiruan. Sedangkan secara khusus, meliputi:mengembangkan algoritma pengolahan citra digital untuk menganalisis parameter mutu jeruknipis, membangun model jaringan syaraf tiruan untuk menentukan mutu jeruk nipis berdasarkan analisis citra digital dan menguji perangkat lunak yang dibangun dalam mengelompokkan buah jeruk nipis.
Berdasarkan hal tersebut maka diperlukan suatu metode yang dapat menjamin keseragaman mutu dari buah - buah jeruk nipis tersebut. Metode pengukuran non konvensional yaitu menggunakan pengolahan citra digital (image processing) menghasilkan data yang akan diproses secara pembelajaran dengan jaringan syaraf tiruan (artificial neural network) sehingga dapat digunakan untuk menentukan mutu dari buah jeruk nipis tersebut
PEMBAHASAN
Dalam pengolahan data tekstur, dapat diketahui dari perbedaan ambang batas atas dan ambang batas bawah pada fitur kontras dan fitur homogenitas tiap umur umur petik. Fitur kontras dapat membedakan umur petik 180 hari dengan 120 hari dan 140 hari, akan tetapi data kontras antara umur petik 120 hari dan 140 hari dengan 160 hari tidak menunjukkan perbedaan yang signifikan.
Keakuratan model JST yang paling ideal adalah menggunakan parameter hasil pengolahan citra sebagai data masukan tingkat mutu (r, g, b, energi, entropi, kontras, homogenitas dan luas proyeksi) dapat menentukan mutu buah jeruk nipis dengan tingkat keakuratan 95.83 %.
Keakuratan model JST yang paling ideal adalah menggunakan parameter hasil pengolahan citra sebagai data masukan tingkat mutu (r, g, b, energi, entropi, kontras, homogenitas dan luas proyeksi) dapat menentukan mutu buah jeruk nipis dengan tingkat keakuratan 95.83 %.
Fitur homogenitas dapat membedakan umur petik 180 hari dengan 120 hari dan 140 hari, akan tetapi data homogenitas antara umur petik 120 hari dan 140 hari dengan 160 hari tidak menunjukkan perbedaan yang signifikan. memperlihatkan sebaran nilai homogenitas dengan umur petik SBM.
Evaluasi Tingkat Kematangan Jeruk Nipis Dengan Metode Pengolahan Citra Digital. Dalam pengolahan data sistem warna RGB, Indeks warna merah dapat membedakan umur petik 120 hari dengan 140 hari dan umur petik 140 hari dengan umur petik 160 hari, indeks warna hijau dapat membedakan umur petik 140 hari dengan 160 hari dan umur petik 160 hari dengan umur petik 180 hari, indeks warna biru dapat membedakan umur petik 120 hari dengan 160 dan 180 hari.
Tidak ada komentar:
Posting Komentar