Identifikasi Tingkat Kematangan Buah Melinjo Menggunakan Algoritma Jaringan Saraf Tiruan Backpropagation

Buah melinjo (Gnetum gnemon) adalah buah yang banyak ditemukan di berbagai negara tropis. Buah ini memiliki beberapa tingkat kematangan yang berbeda, yang dapat dilihat dari perubahan warna kulitnya. Buah melinjo biasanya mengalami tiga tingkat kematangan: matang (warna merah), mentah (warna hijau), dan setengah matang (warna kuning). Identifikasi tingkat kematangan buah melinjo secara manual dapat menjadi tugas yang memakan waktu dan cenderung subjektif. Oleh karena itu, dalam artikel ini, akan dibahas pengembangan sistem otomatis untuk mengidentifikasi tingkat kematangan buah melinjo menggunakan algoritma jaringan saraf tiruan (JST) dengan metode backpropagation.

Dataset Sistem Identifikasi Tingkat Kematangan Buah Melinjo

Metode Segmentasi Citra dengan Otsu Thresholding

Langkah pertama dalam pengidentifikasian tingkat kematangan buah melinjo adalah segmentasi citra. Metode yang digunakan untuk segmentasi adalah metode Otsu Thresholding. Metode ini digunakan untuk memisahkan area latar belakang (background) dan objek (buah melinjo) dalam citra. Hasilnya adalah citra biner di mana buah melinjo dan latar belakangnya terpisah dengan jelas.

Segmentasi Citra Menggunakan Metode Otsu Thresholding

Ekstraksi Ciri Warna

Setelah citra berhasil di-segmentasi, kita dapat mengekstraksi ciri warna dari buah melinjo. Ciri ini didasarkan pada komponen warna merah (R), hijau (G), dan biru (B) dari citra. Salah satu ciri yang dapat digunakan adalah nilai rata-rata dari setiap komponen warna ini di dalam wilayah buah melinjo yang telah di-segmentasi.

Identifikasi dengan Algoritma Jaringan Saraf Tiruan Backpropagation

Setelah ekstraksi ciri warna, kita dapat menggunakan algoritma Jaringan Saraf Tiruan (JST) dengan metode backpropagation untuk mengidentifikasi tingkat kematangan buah melinjo. JST adalah model komputasi yang terinspirasi oleh struktur jaringan saraf manusia, dan metode backpropagation digunakan untuk melatih model ini agar dapat mengklasifikasikan buah melinjo ke dalam tiga kategori kematangan yang berbeda (matang, mentah, setengah matang) berdasarkan ciri warna yang diekstraksi.

Arsitektur Jaringan Syaraf Tiruan Backpropagation

Berikut ini merupakan algoritma sistem identifikasi tingkat kematangan buah melinjo menggunakan algoritma jaringan syaraf tiruan backpropagation:

Langkah 1: Segmentasi Citra dengan Otsu Thresholding

Baca citra buah melinjo.
Konversi citra ke dalam skala abu-abu (grayscale).
Terapkan metode Otsu Thresholding untuk memisahkan latar belakang dan buah melinjo. Hasilnya adalah citra biner yang menunjukkan buah melinjo sebagai objek yang diinginkan.

Langkah 2: Ekstraksi Ciri Warna

Hitung nilai rata-rata komponen warna (R, G, dan B) dari buah melinjo yang telah di-segmentasi pada langkah sebelumnya.

Tampilan Sistem Identifikasi Tingkat Kematangan Buah Melinjo (Kelas: Matang)

Langkah 3: Identifikasi dengan Jaringan Saraf Tiruan Backpropagation

Siapkan data pelatihan JST yang mencakup nilai rata-rata R, G, dan B sebagai input dan tingkat kematangan buah melinjo sebagai target output. Label tingkat kematangan harus diubah menjadi nilai numerik (misalnya, 0 untuk mentah, 1 untuk setengah matang, 2 untuk matang).
Inisialisasi JST dengan jumlah neuron di lapisan input yang sesuai dengan jumlah fitur input (dalam kasus ini, 3 neuron), lapisan tersembunyi yang dapat disesuaikan, dan lapisan output yang sesuai dengan jumlah tingkat kematangan yang akan diidentifikasi (misalnya, 3 neuron).
Latih JST dengan menggunakan algoritma backpropagation dan data pelatihan yang telah disiapkan. Proses pelatihan ini akan menghasilkan model JST yang dapat digunakan untuk mengklasifikasikan tingkat kematangan berdasarkan ciri warna.

Langkah 4: Pengujian dan Identifikasi Tingkat Kematangan

Untuk menguji sistem, baca citra buah melinjo yang berbeda.
Ulangi langkah 2 untuk mengekstraksi ciri warna dari citra uji.
Gunakan model JST yang telah dilatih untuk memprediksi tingkat kematangan buah melinjo dengan menginputkan nilai rata-rata R, G, dan B yang diekstraksi pada langkah 9.
Hasil prediksi dapat diubah kembali menjadi label tingkat kematangan yang sesuai (misalnya, 0 untuk mentah, 1 untuk setengah matang, 2 untuk matang).
Tampilkan hasil identifikasi tingkat kematangan buah melinjo.

Tampilan Sistem Identifikasi Tingkat Kematangan Buah Melinjo (Kelas: Mentah)

Manfaat Sistem Identifikasi Kematangan Buah Melinjo

Sistem ini memiliki beberapa manfaat, antara lain:

Penghematan Waktu: Menghemat waktu yang dibutuhkan untuk mengidentifikasi tingkat kematangan buah melinjo secara manual.
Objektivitas: Mengurangi subjektivitas dalam proses identifikasi, karena sistem akan memberikan hasil berdasarkan ciri warna yang objektif.
Optimalisasi Produksi: Memungkinkan produsen untuk mengoptimalkan waktu panen dengan lebih tepat, sehingga menghasilkan buah melinjo yang berkualitas.

Tampilan Sistem Identifikasi Tingkat Kematangan Buah Melinjo (Kelas: Setengah Matang)

Dalam artikel ini, telah dibahas pengembangan sistem otomatis untuk mengidentifikasi tingkat kematangan buah melinjo menggunakan algoritma Jaringan Saraf Tiruan dengan metode backpropagation. Dengan segmentasi citra menggunakan metode Otsu Thresholding dan ekstraksi ciri warna berdasarkan nilai rata-rata R, G, dan B, sistem ini dapat mengklasifikasikan buah melinjo ke dalam tiga tingkat kematangan yang berbeda. Ini akan membantu dalam mengoptimalkan produksi dan penggunaan buah melinjo yang tepat dalam berbagai aplikasi kuliner.