Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation
DOI:
https://doi.org/10.31358/techne.v20i1.231Keywords:
Jaringan Syaraf Tiruan, Mangga, mean RGB, standar deviasi RGB, perimeter, backpropagationAbstract
Di Indonesia buah mangga merupakan tanaman yang tumbuh subur. Namun pemilihan jenis mangga sendiri masih dilakukan secara manual yakni memilah jenis mangga dengan membanding warna, bentuk dan ukuran. Salah satu perkembangan teknologi pada bidang perindustrian yakni jaringan syaraf tiruan yang mampu belajar sendiri layaknya manusia. Dalam penelitian ini dibuat sebuah sistem yang mampu mengklasifikasi jenis-jenis mangga. Sistem yang akan dibangun ini menerapkan jaringan syaraf tiruan untuk pemodelannya dan menggunakan ekstraksi ciri berupa mean RGB dan standar deviasi RGB, perimeter, luas, panjang, lebar, kebulatan, dan kerampingan. Pada proses percobaan klasifikasi jenis buah mangga digunakan jaringan syaraf tiruan propagasi balik (backpropagation) dengan melakukan variasi 2 model, yakni traingdx dan trainlm dan fungsi transfer layer logsig dan fungsi transfer output purelin. Model pengujian yang digunakan pada proses klasifikasi adalah k-fold cross validation dengan dasar variasi epoch, goal, dan learning rate dari pengujian menggunakan holdout validation. Berdasarkan hasil percobaan, didapat akurasi terbaik dengan 1 hidden layer sebesar 100% dengan waktu 10,45 detik kemudian pengujian k-fold menghasilkan rata-rata akurasi tertinggi 95,31% dengan rata-rata waktu 0,06 detik.
Downloads
References
[2] D. Ardhiyanta, “Prediksi jumlah produksi roti menggunakan metode backpropagation,” Sanata Dharma, 2016.
[3] R. Adistya dan M. A. Muslim, “Deteksi dan klasifikasi kendaraan menggunakan algoritma backpropagation dan sobel,” J. Mech. Eng. Mechatronics, vol. 1, no. 2, pp. 65–73, 2016.
[4] R. Hanseliani dan C. K. Adi, “Klasifikasi berbagai jenis jamur layak konsumsi dengan metode backpropagation,” MEANS (Media Informasi Analisa dan Sistem), vol. 4, no. 2, pp. 200–209, 2019.
[5] H. H. Setiawan, “Klasifikasi jenis buah pisang dengan image processing menggunakan metode backpropagation,” Skripsi S1, Universitas Sanata Dharma, 2018.
[6] Pracaya, Bertanam Mangga. Jakarta: Penebar Swadaya, 2011.
[7] M. I. U. Muddin, D. W. Soedibyo, dan S. Wahyuningsih, “Identifikasi varietas benih jagung (zea mays l.) menggunakan pengolahan citra digital berbasis jaringan syaraf tiruan,” Teknika, vol. 8, no. 2, pp. 78–85, 2019.
[8] A. H. Tandrian dan A. Kusnadi, “Pengenalan pola tulang daun dengan jaringan syaraf tiruan backpropagation,” Ultim. Comput., vol. 10, no. 2, pp. 53–58, 2019.
[9] Abdul dan Adhi, Teori dan Aplikasi Pengolahan Citra, Edisi I. Yogyakarta: ANDI Yogyakarta, 2013.
[10] M. R. Dewi, “Klasifikasi akses internet oleh anak-anak dan remaja dewasa di Jawa Timur menggunakan support vector machine,” J. Ris. dan Apl. Mat., vol. 4, no. 1, pp. 17, 2020.
[11] P. A. Jusia dan F. M. Irfan, “Clustering data untuk rekomendasi penentuan jurusan perguruan tinggi menggunakan metode K-Means,” J. IKRA-ITH Inform., vol. 3, no. 3, pp. 75–84, 2019.
[12] M. I. Sultoni, B. Hidayat, dan A. Slamet Subandrio, “Klasifikasi jenis batuan beku melalui citra berwarna dengan menggunakan metode local binary pattern dan k-nearest neighbor,” TEKTRIKA - J. Penelit. dan Pengemb. Telekomun. Kendali, Komputer, Elektr. dan Elektron., vol. 4, no. 1, pp. 10, 2019.
[13] T. Mulyana, “Segmentasi citra menggunakan hebb-rule dengan input variasi RGB,” J. Teknol. Inf., vol. 1, no. 1, pp. 34–43, 2015.
[14] E. M., Agnestasia, “Deteksi penyakit diabetes makula edema pada citra fundus retina menggunakan operasi morfologi dan transformasi watershed,” Skripsi S1, Institut Teknologi Sepupuh Nopember, 2017.
[15] F. G. Febrinanto, C. Dewi, dan A. T. Wiratno, “Implementasi algoritma k-means sebagai metode segmentasi citra dalam identifikasi penyakit daun jeruk,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 5375–5383, 2018.
