Identifikasi Tingkat Kematangan Buah Pinang Menggunakan Backpropagation dan Transformasi Ruang Warna

Abstract

Areca nut is one of the fruits that is very popular because it has many benefits. In the world of areca nut farming has its own characteristics, namely skin color. For green skin is raw betel nut, for yellowish green skin is mature betel nut, and for yellow skin is old areca nut. In this paper, it presents an application design that serves to identify the maturity of areca nuts by using Backpropagation and Color space transformation. Backpropagation test results can be seen from the output produced based on a predetermined target. There are three conditions that are used as parameters which are raw, mature, and old with RGB value ranges for each different condition. The data used were 30 image samples. Distance of shooting from camera to object 50 cm. The test results showed accuracy of 20%, 26.66%, and 30%.

Klasifikasi Buah Pinang Berdasarkan Data Sensor Menggunakan Metode K-Nearest Neighbor Berbasis Web

“…Buah pinang dapat digolongkan menjadi 3 kategori, terdiri atas tua, matang dan mentah. Pada buah pinang yang mentah biasanya kulit memiliki warna hijau, buah pinang yang matang kulitnya berwarna hijau kekuningan atau jingga, sedangkan pada buah pinang yang tua terlihat pada luaran kulit menonjolkan warna orange tua atau coklat [12].…”

Deteksi Tingkat Kematangan Buah Pinang Menggunakan Metode Support Vector Machine Berdasarkan Warna Dan Tekstur

“…Dalam konteks pertanian, buah pinang memiliki karakteristik unik yang dapat dikenali melalui warna kulitnya. Buah pinang yang memiliki kulit berwarna hijau dapat dianggap sebagai buah pinang yang masih mentah, sementara buah pinang dengan kulit yang berwarna kekuningan menunjukkan bahwa buah pinang tersebut sudah matang [3]. Pada penelitian ini, kami mengembangkan sebuah aplikasi berbasis pemrosesan citra yang bertujuan untuk mendeteksi tingkat kematangan buah pinang menggunakan metode SVM berdasarkan warna kulitnya.…”

“…Sebagai bagian dari eksperimen, pengujian dilakukan terhadap penentuan jumlah "Neighbors" pada algoritma KNN. Hasil pengujian menunjukkan bahwa dengan menggunakan 1 "Neighbor" pada KNN classifier, sistem memperoleh tingkat akurasi tertinggi sebesar 86,36% dalam proses identifikasi tingkat kematangan buah pinang [3].…”