Fakultas Ilmu Komputer
Universitas Brawijaya 1654
Sistem Pendeteksi Kematangan Buah Apel menggunakan Metode Naïve Bayes berbasis Embedded System
Irvan Ramadan1, Dahnial Syauqy2, Rakhmadhany Primananda3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Buah apel adalah salah satu dari banyak jenis buah yang memiliki banyak khasiat diantaranya adalah mencegah penyakit, menyehatkan tubuh dan dapat menurunkan berat badan. Pada umumnya, beberapa penjual apel masih belum dapat membedakan dalam pemilihan apel dengan tingkat kematangan yang pas, sedangkan tingkat keakuratan manusia itu tidak semuanya sama. Setiap orang memiliki presepsi yang berbeda dalam melakukan penilaian. Juga tidak semua orang memiliki indra pengelihatan yang tajam terhadap warna. Maka dari itu, dibuatlah sbuah penelitian mengenai sebuah sistem yang dapat melakukan klasifikasi tingkat kematangan pada buah apel menggunakan metode naïve bayes. Metode ini adalah salah satu metode yang cukup baik dalam melakukan klasifikasi karena kelas-kelas yang akan digunakan sudah ditentukan sebelumnya. Dalam penelitian ini, buah apel yang digunakan adalah jenis Rome Beauty. Tingkat kematangan berdasarkan warna dan beratnya di bedakan menjadi tiga, yaitu mentah berwarna hijau dan matang berwarna kuning kemerahan dan busuk berwarna kuning keruh.
Hasil pembacaan sensor diproses pada mikrokontroler Arduino Uno. Hasil yang diperoleh dari penelitian ini berupa tingkat akurasi pada sensor berat loadcell sebesar 96,09% dan tingkat akurasi pada sensor warna sebesar 96,67%. Juga diperoleh tingkat akurasi perhitungan klasifikasi naïve bayes sebesar 100% dan waktu eksekusi sistem dengan rata-rata sebesar 0,725 detik.
Kata kunci: apel, naïve bayes, klasifikasi, TCS3200, loadcell Abstract
Apple fruit is one of the many types of fruit that has many benefits including preventing disease, nourishing the body and can lose weight. In general, some apple sellers are still unable to distinguish in the selection of apples with the right maturity level, while the human accuracy is not all the same.
Everyone has different perceptions in making assessments. Also not everyone has a sharp sense of vision to color. Therefore, a study was made on a system that can classify the level of maturity of apples using the naïve Bayes method. This method is a method that is quite good in classifying because the classes to be used are predetermined. In this study, the apple used was Rome Beauty. The level of maturity based on color and weight can be divided into three, namely raw green and ripe reddish yellow and foul yellow cloudy. The sensor readings are processed on the Arduino Uno microcontroller. The results obtained from this study are the level of accuracy on the load cell weight sensor of 96.09% and the level of accuracy on the color sensor of 96.67%. Also obtained the level of accuracy of the calculation of the naïve Bayes classification of 100% and the system execution time with an average of 0.725 seconds.
Keywords: apple, naïve bayes, classification, TCS3200, loadcell
1. PENDAHULUAN
Buah adalah jenis makanan yang berperan penting pada kesehatan manusia. Berbagai macam vitamin terdapat pada buah-buahan.
Dengan mengkonsumsi buah secara rutin, tubuh manusia akan tersuplai oleh vitamin yang terkandung dalam buah tersebut. Pada dasarnya
manusia tidak mampu memproduksi vitamin sendiri, maka dari itu kebutuhan vitamin pada manusia sebagian besar diperoleh dengan mengkonsumsi buah-buahan. Kondisi terbaik pada buah yang akan dikonsumsi adalah matang.
Kandungan vitamin pada buah yang matang lebih maksimal daripada buah yang masih mentah atau setengah matang. Dengan
mengkonsumsi buah matang, maka tubuh kita bisa menyerap vitamin secara optimal. Buah apel merupakan satu dari banyak buah dengan kandungan vitamin yang melimpah(Wulandari, 2012).
Malus domestica atau yang kita kenal akrab dengan sebutan buah apel adalah jenis buah yang banyak tumbuh di daerah sub tropis. Tidak seperti buah mangga yang musiman, buah apel merupakan jenis buah tahunan yang banyak ditemui di daerah Asia Barat yang mana adalah asal dari buah tersebut. Di Indonesia sendiri yang memiliki iklim tropis, apel dapat berkembang sejak tahun 1934. Perkembangan apel menjadi pesat pada tahun 60an hingga sekarang setelah mampu beradaptasi dengan iklimnya. Daerah Batu dan Poncokusumo, Malang merupakan daerah dataran tinggi yang ideal untuk apel tumbuh. Adapun daerah lain di Nongkojajar, Pasuruan, Jawa Timur yang merupakan daerah perkebunan apel (Baskara, 2010).
Khasiat yang ditawarkan oleh buah apel ada banyak, diantaranya adalah mencegah penyakit dengan rutin mengkonsumsi buah apel, juga dapat menyehatkan tubuh karena kandungan vitamin yang dimiliki buah apel sangat banyak.
Adapun khasiat lain yang ditawarkan adalah dapat menurunkan berat badan dengan mengkonsumsi buah apel. Berdasarkan hal tersebut, apel menjadi buah yang berdaya jual cukup tinggi terutama untuk kalangan wanita karena dapat membantu proses diet tanpa obat- obatan.
Berdasarkan Keterangan yang ada, buah apel adalah buah yang mempunyai banyak khasiat dan berdaya jual tinggi. Namum pada umumnya, beberapa pembeli masih belum dapat memebedakan dan bingung dalam pemilihan apel dengan tingkat kematangan yang pas.
Penjual apel juga tidak mempunyai cara lain selain dengan melakukan pertimbangan secara manual dalam menentukan apakah buah apel tersebut sudah matang ataukah masih mentah, sedangkan tingkat keakuratan manusia itu tidak semuanya sama. Setiap orang memiliki presepsi yang berbeda dalam melakukan penilaian. Juga tidak semua orang memiliki indra pengelihatan yang tajam terhadap warna.
Dari permasalahan yang ada maka penulis membuat suatu penelitian mengenai sistem yang dapat mendeteksi kematangan pada buah apel menggunakan metode Naïve Bayes. Tujuan dari penelitian ini adalah untuk mengetahui kematangan pada buah apel secara lebih spesifik.
Objek yang digunakan juga lebih spesifik yaitu apel jenis Rome Beauty. Metode yang digunakan adalah gabungan dari sensor warna untuk pengklasifikasian warna buah apel dan sensor berat dalam menentukan berat pada buah apel serta menggunakan metode Naïve Bayes untuk memilah apel mana yang masih mentah, matang atau sudah busuk (tidak layak konsumsi). Fitur warna dipilih karena apel Rome Beauty yang matang memiliki warna merah pada kulit yang terkena sinar matahari sedangkan fitur berat dipilih karena buah apel Rome Beauty mengandung cukup banyak air pada daging buahnya (Yulianti, et al., 2007). Metode Naive Bayes dipilih karena merupakan sebuah metode pengklasifikasian yang sangat efektif dan efisien. Dalam melakukan klasifikasi, Naive Bayes dapat bekerja secara independen pada setiap fitur-fitur objek yang akan dilakukan klasifikasi (Astuti, 2016). Dengan demikian diharapkan sebuah sistem yang mampu mengelompokkan buah apel secara akurat dan cepat dalam pemrosesannya, yang nantinya dapat mempermudah proses pemasaran berdasarkan kualitasnya..
2. PERANCANGAN DAN IMPLEMENTASI
Sistem pendeteksi kematangan buah apel berbasis Arduino uno R3 dengan metode Naïve Bayes adalah sebuah sistem pendeteksi kematangan untuk membedakan buah apel yang masih mentah, matang atau sudah busuk (tidak layak konsumsi) berbasis embedded system dengan menggunakan parameter berupa berat pada buah apel dan warna pada kulit buahnya.
2.1. Gambaran Umum Sistem
Gambar 1 Diagram Blok Sistem
Seperti pada Gambar 1, nilai berat yang diperoleh dari pengukuran dengan menggunakan sensor berat Loadcell ditambah dengan modul penguat HX711 yang memudahkan dalam pembacaan data ukur dari Load Cell berupa analog diubah menjadi digital agar diperoleh hasil pengukuran berat dengan akurasi yang
tinggi. Adapun nilai warna yang diperoleh dari pengukuran dengan menggunakan sensor warna TCS3200. Berdasarkan dari data kedua parameter tersebut, dapat dilakukan klasifikasi untuk memperoleh hasil yang ditampilkan pada layar monitor dan LCD 16x2. Dalam penerapannya, terlebih dahulu penulis membuat data latih yaitu data yang digunakan sebagai acuan dalam menentukan hasil output. Tahap selanjutnya buah apel diukur berat dan warna menggunakan sistem atau alat yang telah dirancang kemudian data yang diperoleh akan diproses pada mikrokontroler Arduino Uno dengan menggunakan kode program klasifikasi yang menggunakan nilai dari hasil data latih sebelumnya. Sistem ini dikatakan berhasil jika bisa menentukan apakah buah apel masih mentah, matang atau sudah busuk.
2.2. Perancangan Sistem
Gambar 2. Desain Prototype Alat Pendeteksi Kematangan
Dalam merancang sistem pendeteksi kematangan buah apel, diperlukan sebuah prototype untuk mempermudah pembuatan alatnya sepeti pada gambar 2. Pembuatan sistem dirancang menggunakan aplikasi CorelDraw untuk menggambarkan prototype agar lebih jelas. Posisi sensor warna TCS3200 diletakkan di bagian atas untuk mendeteksi warna pada kulit buah apel, nantinya akan diberi tutup agar terhindar dari interfensi cahaya dari luar yang menyebabkan pembacaan warna kurang akurat.
Sensor berat Loadcell ditaruh persis di bawah penampang seperti prinsip kerja timbangan yaitu untuk mengukur berat buah apel tersebut, semakin berat buah apel maka kandungan air yang ada dalam buah apel tersebut semakin banyak. Untuk peletakan mikrokontroler diletakkan didalam kotak di bawah agar terlihat rapi, juga untuk LCD 16x2 diletakkan didepan untuk menampilkan hasil pengukuran.
Gambar 3. Skema Perancangan Sistem
Pada skema perancangan sistem seperti pada Gambar 3, Koneksi pin terbagi menjadi 5 yang mana menghubungkan antar pin dari mikrokontroler, modul pendukung dan sensor- sensor yang digunakan. Untuk sensor loadcell dihubungkan ke modul HX711 yang berfungsi sebagai konverter data berat yang masih berupa data analog menjadi data digital. Untuk sensor warna langsung dihubungkan ke ke Arduino Uno. Dalam menampilkan hasil, LCD 16x2 dihibungkan ke arduino dengan perantara modul I2C yang bertujuan agar lebih ringkas dalam perkabelan. Dalam melakukan prosesnya, mkrokontroler akan melakukan pembacaan nilai sensor baik dari sensor warna maupun sensor berat secara terus menerus ketika arduino dijalankan
Gambar 4. Diagram alir perancangan pengambilan data sensor
Untuk mendapatkan data latih yang nantinya digunakan dalam melakukan klasifikasi dengan menggunakan Naïve Bayes, maka dibuatlah diagram alir seperti pada Gambar 4.
Prosesnya dimulai dari inisialisasi tiap pin yang akan digunakan pada tiap sensor, lalu
selanjutnya melakukan pembacaan data sensor warna meliputi warna merah (R), hijau (G),Biru (G) dan berat (GRAM). Data yang diperoleh selanjutnya diolah agar nantinya dapat digunakan dalam melakukan klasifikasi naïve bayes untuk menilai tingkat kematangan pada buah apel.
Setelah melakukan perancangan pengambilan data dari sensor, maka dibuatlah perancangan data latih Naïve Bayes Classifier yang memiliki data latih berjumlah 30 dan terbagi menjadi 3 kelas kematangan yaitu mentah, matang dan busuk seperti pada Tabel 1.
Data tersebut nantinya akan digunakan sebagai tolak ukur dari data uji.
Tabel 1. Data Latih yang digunakan pada sistem Buah
ke
warna berat
kelas
R G B GRAM
1 94 88 41 107,88 mentah
2 75 67 34 78,73 mentah
3 64 47 30 100,19 mentah
4 98 84 40 92,35 mentah
5 103 88 44 99,54 mentah
6 67 53 30 74,88 mentah
7 61 50 27 61,78 mentah
8 76 59 32 87,86 mentah
9 78 71 37 78,74 mentah
10 94 81 35 88,87 mentah
11 83 73 37 84,40 mentah
12 61 33 26 111,85 matang
13 69 35 27 105,98 matang
14 64 29 27 161,57 matang
15 71 54 30 107,59 matang
16 49 25 22 105,37 matang
17 64 53 29 52,36 mentah
18 80 47 32 112,01 matang
19 55 26 23 111,39 matang
20 60 30 24 103,67 matang
21 176 127 66 97,60 busuk
22 152 108 56 90.66 busuk
23 159 106 62 91.24 busuk
24 144 119 60 98.21 busuk
25 183 111 68 80.32 busuk
26 171 108 64 76.37 busuk
27 188 119 66 89.51 busuk
28 201 124 68 78.64 busuk
29 161 114 66 67.84 busuk
30 125 85 49 87.83 busuk
Selanjutnya setelah mendapatkan data latih, maka dilakukan perancangan algoritma naïve bayes yang digunakan untuk melakukan klasifikasi pada data uji. Perancangan dimulai dari pembacaan data sensor lalu pembacaan data latih. Tahap berikutnya adalah perhitungan menggunakan fungsi probprior(), gaussian() dan probposterior(). Data yang diperoleh kemudian dibandingkan untuk dicari peluang tertinggi dari masing-masing fitur. Proses akhir adalah penentuan hasil klasifikasi tingkat kematangan
antara mentah, matang dan busuk. Keseluruhan rancangan diatas disusun dalam diagram alir seperti yang ditunjukkan pada Gambar 5.
Gambar 6. Diagram alir perancangan klasifikasi naïve bayes
Untuk melakukan perhitungan fungsi gaussian(), terlebih dahulu dihitung 2 nilai utama yaitu nilai rata-rata dan standar deviasi menggunakan Persamaan (2) dan Persamaan (3).
Nilai dari mean dan standar deviasi pada sistem ini dimasukkan pada kode program yang telah diupload pada mikrokontroler untuk mempermudah dalam melakukan akses pada data latih ketika sistem berjalan. Setelah itu perhitungan gaussian dilakukan dengan menggunakan Persamaan (1).
𝑃(𝑋 = 𝑥𝑖|𝑌 = 𝑦𝑖) = 1
√2𝜋𝜎𝑖𝑗2
𝑒−
(𝑥𝑖−𝜇𝑖𝑗)2 2𝜎𝑖𝑗2
(1)
𝑥̅ = ∑𝑛𝑖=1𝑛 𝑅𝑖 (2)
𝑠 = √∑𝑛𝑖=1𝑥𝑖−𝑥̅2
𝑛−1 (3)
Keterangan :
(𝑋 = 𝑥𝑖|𝑌 = 𝑦𝑖) : Peluang gaussian 𝜇 𝑎𝑡𝑎𝑢 𝑥̅ : nilai rata-rata (mean) 𝜎 𝑎𝑡𝑎𝑢 𝑠 : nilai standar deviasi 𝑛 : jumlah data
𝑥𝑖 : data ke-i
e : nilai eksponen (2,718282)
Dengan menggunakan Persamaan (2) dan Persamaan (3) maka diperolehlah data nilai mean dan standar deviasi yang ditunjukkan pada Tabel 2 dan Tabel 3 berikut :
Tabel 2. Nilai mean dari data latih Mentah Matang Busuk
R 79.75 63.625 166
G 67.83333 34.875 112.1
B 34.66667 26.375 62.5
GRAM 83.965 114.92875 85.822
Tabel 3. Nilai standar deviasi dari data latih Mentah Matang Busuk R 14.58595 9.70916357 22.50432 G 15.2425 10.3570197 11.87387 B 5.29723 3.42000418 6.059886 GRAM 15.99937 19.11616103 9.758893
2.3. Implementasi Sistem
Setelah tahap perancangan tersusun, tahap selanjutnya adalah tahap implementasi. Pada tahap ini dijelaskan hasil implementasi dari prototype dan rangkaian elektronik yang ditunjukkan pada Gambar 7 dan Gambar 8.
Gambar 7. Implementasi prototype sistem Implementasi rangkaian elektronik sistem pendeteksi kematangan ini menggunakan kabel jumper untuk mengkoneksikan antar pin dari masing-masing komponen.
Gambar 8 Implementasi rangkaian sensor
- ilmiah (book section).
3. PENGUJIAN DAN ANALISIS
3.1. Pengujian sensor TCS3200 dan Loadcell Pengujian ini bertujuan untuk mengetahui tingkat akurasi pada sensor warna TCS3200 dan Loadcell. Sensor TCS3200 dalam sistem ini digunakan untuk mendeteksi nilai warna RGB pada kulit buah. Pada pengujian sensor warna, dilakukan pembacaan dari 10 data uji yang sudah disediakan yaitu buah apel berjenis rome beauty dengan menggunakan sensor warna TCS3200 kemudian hasilnya tersebut dibandingkan dengan alat ukur warna dari aplikasi Corel PHOTOPAINT yang bernama Eyedropper tool.
Hasil dari pengujian masing-masing alat ukur tersebut ditunjukkan pada Tabel 4 dan Tabel 5.
Tabel 4. Hasil pembacaan warna dari sensor Pengujia
n ke
Pembacaan Sensor
R G B HEX
1 116 45 68 #742D44
2 127 50 86 #7F3256
3 157 66 57 #9D4239
4 125 57 32 #7D3920
5 141 88 48 #8D5830
6 92 75 41 #5C4829
7 67 31 28 #431F1C
8 52 23 21 #341715
9 117 90 49 #755A31
20 147 116 60 #93743C
Tabel 5. Hasil pembacaan Eyedropper tool Pengujia
n ke
Pembacaan Sensor
R G B HEX
1 119 75 80 #774B50
2 138 86 85 #8A5655
3 163 50 21 #A33215
4 129 44 22 #812C16
5 145 68 17 #914411
6 88 60 19 #583C13
7 67 28 18 #431C12
8 50 22 20 #321614
9 115 69 24 #734518
10 143 104 27 #8F681B
Berdasarkan hasil yang diperoleh dengan melakukan perngukuran sistem maupun alat ukur, selanjutnya data akan diolah kedalam bentuk heksadesimal untuk mempermudah dalam melakukan perhitungan selisih. Dari data selisih tersebut nantinya dapat digunakan untuk mencari rata-rata persentase selisih error dengan menggunakan Persamaan 4.
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑒𝑟𝑟𝑜𝑟
=𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛
𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑎𝑙𝑎𝑡 𝑢𝑘𝑢𝑟 × 100% (4) hasil perhitungan error pada pengujian terhadap sensor TCS3200 ditampilkan pada Tabel 6 sebagai berikut:
Tabel 6. Selisih TCS3200 dan eyedropper tool Pengujian
ke-
Selisih Error Persentase error
HEX DEC
1 31E0C 204300 2.62%
2 B23FF 730111 8.05%
3 5EFDC 389084 3.64%
4 3F2F6 258806 3.06%
5 3EBE1 256993 2.7%
6 40C16 265238 4.59%
7 30A 778 0.02%
8 20101 131329 4%
9 21519 136473 1.8%
10 40C21 265249 2.82%
Rata-rata 3,33%
Pada tabel 6 diatas, hasil yang diperoleh dari selisih error adalah 3,33%.
Sensor berat loadcell pada sistem ini digunakan untuk mendeteksi nilai berat pada buah apel. Pada pengujian sensor berat ini dilakukan pembacaan data uji buah apel menggunakan sensor loadcell dan hasilnya dibandingkan dengan pembacaan data berat menggunakan timbangan digital. Kemudian dengan menggunakan 2 jenis data tersebut dicarilah selisih untuk menilai seberapa besar akurasi sensor berat.
Berikut adalah Tabel 7 perbandingan selisih berat menggunakan sensor dan timbangan digital.
Tabel 7. Perbandingan loadcell dan timbangan Pengu
jian Ke-
Timbangan digital
Load Cell
Selisi h
error (%)
1 85 76,37 8,63 10,15%
2 98 89,51 8,49 8,66%
3 89 84,4 4,6 5,17%
4 107 111,85 4,85 4,53%
5 103 105,98 2,98 2,89%
6 180 177,99 2,01 1,11%
7 135 129,48 5,52 4,09%
8 100 99,89 0,11 0,11%
9 92 92,47 0,47 0,51%
10 98 99,84 1,84 1,88%
Rata-rata 3,91%
Dari Tabel 7 diperoleh tingkat persentase selisih error sebesar 3,91% sehingga untuk tingkat akurasi diperoleh nilai sebesar 96,09%.
3.2. Pengujian Naïve Bayes
Pengujian ini bertujuan untuk membedakan hasil yang diperoleh melalui perhitungan sistem dan perhitungan manual. Keluaran dari pengujian ini adalah berupa kelas tingkat kematangan yaitu mentah, matang dan busuk dari 10 data uji yang digunakan. Kedua hasil dibandingkan apabila sama maka dingaggap sesuai. Berikut adalah Tabel 8 hasil pengujian yang dilakukan oleh sistem:
Tabel 8. Hasil pengujian sistem dan kondisi asli Peng
ujian ke-
Sensor Warna
loadcell Klasifika si
Kondisi asli
Akurasi R G B
1 116 45 68 76.37 Mentah Mentah Sesuai 2 127 50 86 89.51 Mentah Mentah Sesuai 3 157 66 57 84.4 Mentah Mentah Sesuai 4 125 57 32 111.85 Matang Matang Sesuai 5 141 88 48 105.98 Busuk Busuk Sesuai 6 92 75 41 177,99 Mentah Mentah Sesuai 7 67 31 28 129,48 Matang Matang Sesuai 8 52 23 21 99.89 Matang Matang Sesuai 9 117 90 49 92.47 Busuk Busuk Sesuai 10 147 116 60 99.84 Busuk Busuk Sesuai
Dari hasil pengujian 10 buah apel didapatkan tingkat akurasi sebesar 100%.
3.1. Pengujian Waktu Eksekusi
Pengujian waktu eksekusi bertujuan untuk mengetahui seberapa cepat waktu yang dibutuhkan sistem dalam melakukan eksekusi kode program perhitungan naïve bayes. Waktu yang diperoleh dari pengujian ini adalah lama waktu sistem memproses data dari pertama kali data dimasukkan hingga menjadi data hasil keluaran. Berikut adalah Tabel 9 hasil pengujian waktu eksekusi:
Tabel 9. Hasil pengujian waktu eksekusi Nama Pengujian Lama Eksekusi (milisecond / ms)
Pengujian ke-1 694
Pengujian ke-2 708
Pengujian ke-3 749
Pengujian ke-4 756
Pengujian ke-5 723
Pengujian ke-6 705
Pengujian ke-7 732
Pengujian ke-8 699
Pengujian ke-9 736
Pengujian ke-10 745
Rata-rata 724.7
Pada Tabel 9 diperoleh hasil rata-rata waktu eksekusi sebesar 0,725 detik 4. KESIMPULAN
Sebagai penutup, penulis membuat sebuah catatan berdasarkan hasil dari pengujian pada bab sebelumnya, lalu dengan hal tersebut dapat ditarik beberapa kesimpulan dari hasil pengujian diantaranya sebagai berikut:
1. Untuk Mengetahui akurasi sensor warna TCS3200 dan sensor berat loadcell pada sistem pendeteksi kematangan buah apel menggunakan mikrokontroler Arduino Uno dalam mengakusisi nilai warna dan berat berjalan dengan sebagaimana mestinya.
Untuk pengujian parameter berat, sensor berat yang berada dibawah penampang dapat membaca nilai berat dari buah apel dengan rata-rata tingkat error 3,91% setelah dibandingkan dengan timbangan digital.
Dengan demikian diperoleh persentase tingkat akurasi sebesar 96,09% yang mana hasil tersebeut diperoleh dari pengurangan 100% dengan rata-rata tingkat error.
2. Untuk pengujian parameter warna, sensor warna ditambah dengan penutup disekitarnya agar tidak ada cahaya yang masuk sehinggar pengukuran menjadi lebih akurat. Sensor tersebut berada sejajar dengan objek yang diukur. Sensor warna TCS3200 dapat membaca nilai warna dari kulit buah apel dengan rata-rata tingkat error 3,33%. Sedangkan tingkat akurasi dari sensor warna adalah 96,67%
3. Implementasi metode Naive Bayes pada sistem pendeteksi kematangan buah apel ini berjalan hampir sesuai dengan yang diharapkan. Dari 10 data uji, semua data sesuai dengan kondisi aslinya. Maka dari itu, diperoleh data hasill pengujian dengan tingkat keakuratan sebesar 100%. Hal ini disebabkan karena jumlah data uji yang kurang banyak dan bervariasi sehingga hasil yang diperoleh berada pada kelas yang sesuai dengan aslinya.
4. Untuk pengujian Pengujian terhadap kinerja sistem pendeteksi kematangan buah apel berdasarkan warna dan berat dengan menggunakan metode Naïve Bayes mempunyai hasil nilai kecepatan dalam melakukan pemrosesan rata-rata sebesar 0,724 detik dari pengujian.
5. DAFTAR PUSTAKA
Adhimantoro, S., 2014. Mengetahui Tingkat Kematangan Buah Dengan Ultrasonik Menggunakan Logika Fuzzy.
Ajizi, Mohammad Faizal., 2019. Klasifikasi Kematangan Buah Pisang Berbasis Sensor Warna Dan Sensor Load Cell Menggunakan Metode Naive Bayes.
SKRIPSI, Universitas Brawijaya, Teknik Informatika, Malang.
Amin, Mohammad Fauzin., 2017. Rancang Bangun Sistem Sortir Buah Apel Menggunakan Sensor Warna Dan Sensor Suhu. SKRIPSI, Universitas Brawijaya, Teknik Informatika, Malang.
Arduino, 2020. Arduino Uno Atmega328P.
[Online] Tersedia
di:<https://www.arduino.cc/en/Main/Ard uinoBoardUno>
[Diakses 22 Juli 2020].
Astuti, E. H. 2016. Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive Bayes.
SKRIPSI, Universitas Brawijaya, Teknik Informatika, Malang.
Baskara, M., 2010. Pohon Apel itu masih (bisa) berbuah lebat, pp.78-82. Jawa Timur :Majalah Ilmiah Populer Bakosurtanal - Ekspedisi Geografi Indonesia.
Mauselein, S., Mack, Oliver., & Schwartz, Roman., 2009. Investigations into the use of 1singlecrystalline silicon as mechanical spring in load cells. Measurement, ScienceDirect Journal, Elsevier..
Nalwan, P. A., 2003. Teknik Antar Muka dan Pemrograman Mikrokontroler AT89C51, Jakartra : PT. Elex Media Komputindo.
Piskorowski, J. & B, Tomasz., 2008. Dynamic compensation of load cell response: A time-varying approach. Mechanical Systems and Signal Processing.
ScienceDirect Journal, Elsevier.
Prihatman, K, 2000. “Apel, Sistem Informasi Manajemen Pembangunan di Perdesaan”, BAPPENAS.
Webb, G., 2010. I Encyclopedia of Machine Learning. Boston: Springer US.
Wulandari, A., 2012. Daya Anti Bakteri Ekstrak Buah Apel Manalagi Terhadap Bakteri Salmonella Thyposa.
Yulianti, S., Irlansyah, Junaedi, E. & Mufatis, W., 2007. Khasiat dan Manfaat Apel.
Jakarta (ID): AgroMedia Pustaka.
