Sistem Pendeteksi Kematangan Buah Tomat Berbasis Pengolahan Citra Digital Menggunakan Metode Jaringan Syaraf Tiruan
Ishak1, Ihlasul Amal2, Maulana Muhammad3, Andi Baso Kaswar4 Universitas Negeri Makassar
Abstrak - Penelitian ini bertujuan untuk merancang sistem yang mampu mendeteksi tingkat kematangan buah tomat dengan memanfaatkan pesatnya perkembangan ilmu pengetahuan khususnya di bidang artificial intelligence yang dikolaborasikan dengan pengolahan citra digital.
Terdapat lima tahapan metode yang digunakan dalam penelitian ini yakni, tahap akuisisi citra, tahap preprocessing, tahap segmentasi, tahap morfologi dan tahap klasifikasi. Hasil penelitian menunjukkan bahwa metode yang digunakan peneliti sangat cocok untuk merancang sistem pendeteksi tingkat kematangan buah tomat yakni mentah, mengkal, dan matang. Hal tersebut dibuktikan dengan tingkat akurasi pengujian sistem yang mencapai 100%. Jumlah dataset yang digunakan sebanyak 90 citra tomat yaitu 30 citra tomat mentah, 30 citra tomat mengkal, dan 30 citra tomat matang.
Kata Kunci: pendeteksi, tomat, pengolahan citra digital, jaringan syaraf tiruan.
I. PENDAHULUAN
Tomat (Lycopersicon esculentum Mill) adalah sayuran buah yang tergolong tanaman semusim berbentuk perdu dan termasuk ke dalam famili Solanaceae. tomat masuk kategori buah yang banyak digemari karena kaya kandungan vitamin A, C dan sedikit vitamin B yang baik bagi tubuh [1]. Buah tomat dapat dikomsumsi langsung serta dijadikan untuk bumbu masakan, dan dapat diolah lebih lanjut menjadi bahan baku industri makanan.
Tomat merupakan salah satu hasil pertanian yang memiliki tingkat produksi tinggi dan tergolong tanaman annual yakni memiliki siklus hidup singkat dan umurnya hanya satu kali masa panen, yakni ±4 bulan kemudian mati setelah berproduksi [1]. Tingginya tingkat produksi tomat dan proses kematangan yang membutuhkan waktu yang singkat mengharuskan petani mengelompokkan atau mengklasifikasi buah tomat berdasarkan tingkat kematangannya demi memperkecil resiko pembusukan pada tomat. Proses klasifikasi kematangan tomat pada dasarnya sangat dipengaruhui oleh persepsi manusia yang bersifat obyektif, cara manual dilakukan berdasarkan pengamatan langsung pada objek yang hendak diketahui tingkat kematangannya. Klasifikasi dengan mengandalkan pengamatan visual manusia yang bersifat obyektif tentu memiliki beberapa kelemahan yakni, adanya keterbatasan visual manusia, dan sifat merasa gampang lelah dan jenuh ketika melakukan kegiatan yang terus berulang, dan kondisi psikis pengamat juga dapat mempengaruhi tingkat keakuratan dalam klasifikasi secara manual. Hal tersebut akan mengakibatkan proses klasifikasi tidak konsisten dan akan membutuhkan banyak waktu terutama bagi perkebunan besar sehingga resiko pembusukan pasca panen akan meningkat serta akan mempengaruhi nilai ekonominya. Oleh sebab itu, perlu sebuah sistem klasifikasi tingkat kematangan
buah tomat yang lebih efektif dan efisien untu membantu masyarakat khususnya petani buah tomat.
Berdasarkan permasalahan di atas, maka diperlukan suatu sistem yang mampu membedakan tingkat kematangan buah tomat. Dengan memanfaatkan kemajuan ilmu pengetahuan yang pesat khususnya di bidang kecerdasan buatan yang dikolaborasikan dengan pengolahan citra digital, mampu menghasilkan suatu sistem yang dapat mengklasifikasikan tingkat kematangan buah tomat.
Pengolahan citra digital merupakan disiplin ilmu yang mempelajari tentang bagaimana mengolah citra, pengolahan citra dapat dikembangkan dengan tujuan image enhancement, image compression, image restoration, dan feature extraction [2]. Penelitian tentang sistem klasifikasi kematangan tomat dengan berbagai teknik pengolahan citra telah dilakukan, misalnya metode transformasi ruang warna HIS [3], metode jaringan syaraf tiruan dengan teknik pembelajaran perceptron [4], fitur warna dengan multiSVM [5], metode K-Nearest Neighbor [6].
Penelitian mengenai klasifikasi tingkat kematangan tomat berbasis fitur warna menggunakan transformasi ruang warna
HIS dengan akurasi mencapai 94,28571429%, kelemahannya dalam proses klasifikasi tingkat kematangan tomat yakni nilai range yang bertumpukan sehingga berpengaruh pada keakuratan sistem [3]. Selanjutnya, penelitian mengenai klasifikasi tingkat kualitas dan kematangan tomat dengan fitur warna berbasis jaringan syaraf tiruan dengan akurasi mencapai 90% dan waktu proses yang dibutuhkan yakni 3.12 detik untuk setiap citra serta menghasilkan empat jenis output yakni, busuk, matang, mengkal, dan muda [4]. Penelitian lain juga pernah menggunakan metode jaringan syaraf tiruan dalam proses identifikasi kematangan tomat, tingkat keberhasilan yang diperoleh dari metode pembelajaran perceptron yakni
43,33%, dengan akurasi output yakni matang 26,66%, setengah matang 6,66%, dan mentah 10% [5].
Penelitian lain tentang klasifikasi tingkat kematangan tomat juga pernah dilakukan menggunakan fitur warna RGB dengan teknik klasifikasi multi-SVM, memanfaatkan 108 citra tomat, sebanyak 42 data testing dan 66 data training.
Tingkat akurasi pada tahap klasifikasi multi-SVM sebesar 77,84%, sedangkan klasifikasi KNN dengan k=3 diperoleh persentase sebesar 77,79% [6]. Selanjutnya, klasifikasi tingkat kematangan tomat dengan fitur warna K-Nearst Neighbor memiliki persentase sebesar 92% dengan jarak Euclidean k=3 [7]. Berdasarkan penelitian-penelitian yang telah dipaparkan di atas, dapat disimpulkan setiap metode atau teknik yang digunakan dalam sistem klasifikasi kematangan buah tomat memiliki tingkat akurasi dan waktu komputasi yang berbeda. Tingkat keakuratan dalam proses klasifikasi dipengaruhi oleh beberapa indikator yakni, pemilihan metode dalam tahapan proses pengolahan citra yang kurang tepat ataupun pengaruh dari kualitas citra yang digunakan.
Pada penelitian ini, kami mengusung teknik klasifikasi tingkat kematangan tomat berbasis pengolahan citra digital dengan metode jaringan syaraf tiruan. Tingkat klasifikasi kematangan terdapat tiga tingkat yakni, mentah, mengkal, dan matang.
Metode yang kami gunakan pada penelitian ini terdiri dari lima tahap yakni, akuisisi citra, preprocessing, segmentasi (metode Otsu), operasi morfologi, dan tahap klasifikasi (jaringan syaraf tiruan). Metode yang kami usulkan menghasilkan tingkat persentase yang cukup tinggi untuk melakukan proses klasifikasi tingkat kematangan buah tomat dengan 3 tingkat klasifikasi yakni, mentah, mengkal dan matang, sehingga dapat memudahkan dan meningkatkan efisiensi kerja petani dalam memilah buah tomat berdasarkan tingkat kematangannya.
II. METODE PENELITIAN
Metode yang digunakan dalam penelitian ini terdiri atas lima tahapan utama yakni tahap pengambilan dataset citra tomat (akuisisi citra), tahap preprocessing meliputi operasi mengubah citra RGB ke channel R, G, dan B, tahap segmentasi teknik Otsu, tahap morfologi meliputi operasi konversi channel green ke gray, kemudian dilakukan operasi closing, hole filling, area open, area objek, dan proses klasifikasi teknik jaringan syaraf tiruan. Berikut bagan tahap klasifikasi pada gambar 1.
Gambar 1. Bagan Tahap Klasifikasi (Sumber: Dokumentasi Pribadi)
a. Akuisisi Citra
Akuisisi citra adalah proses mengambil citra untuk dijadikan dataset dalam penelitian. Proses mengambil citra yakni bentuk citra analog diubah ke citra digital dengan memanfaatkan kamera. Proses akuisisi citra menggunakan smartphone, untuk background yakni menggunakan kain berwarna hitam, jarak antara citra dengan kamera smartphone adalah 20 cm. Berikut gambaran tahap akuisisi citra pada gambar 2.
Gambar 2. Proses Akuisisi Citra
(Sumber: Dokumentasi Pribadi) b. Tahap Preprocessing
Tahap preprocessing diawali dengan membaca citra tomat yang diinput ke sistem, kemudian citra RGB dikonversi ke channel R, G, dan B. lalu menentukan channel citra yang cocok untuk dijadikan sebagai citra untuk tahap segmentasi. Pada penelitian ini, kami memilih citra pada channel R untuk diproses hingga tahap klasifikasi.
Kemudian citra pada channel R dikonversi menjadi citra grayscale untuk tahap segmentasi.
c. Segmentasi
Segmentasi adalah proses membagi citra menjadi beberapa bagian untuk mendapatkan objek yang terkandung pada citra dengan setiap objek atau daerah memiliki kemiripan atribut. Dalam sebuah citra tahap segmentasi membagi dua yakni area objek dan area background. Pada penelitian ini, kami memanfaatkan teknik Otsu untuk tahap segmentasi, yang diperoleh dari tahap preprocessing. Teknik Otsu diperkenalkan oleh Nobuyuki Otsu pada tahun 1979.
metode Otsu menganalisis diskriminan dengan menentukan suatu variabel dengan cara membedakan dua atau lebih bagian secara alami [8.2].
Tahap segmentasi dengan metode Otsu dimulai dengan membaca histogram citra grayscale, dengan histogram kita bisa mengetahui jumlah piksel dengan intensitas yang mirip pada setiap intensitas. Kisaran intensitas piksel citra grayscale yakni 0 hingga 255. Probabilitas nilai i dalam histogram dapat dihitung dengan persamaan (1).
Pi =ni
𝑁 P𝑖 (1)
Setelah probabilitas setiap intensitasnya telah diperoleh, selanjutnya mencari nilai kumulatif L = 0, 1, 2, 3, …, L-1 dengan menggunakan persamaan (2) berikut:
𝜔 (𝑘) = ∑ = 0 𝑃𝑖
𝑘 𝑖
Kemudian mencari rata-rata kumulatif
(𝑘) L=0, 1, 2, 3, …, L-1 dengan menggunakan persamaan (3) berikut:
𝜇 . 𝑃𝑖 (3)
Selanjutnya menghitung nilai mean intensitas global dengan menggunakan persamaan (4) berikut:
𝜇𝑇 . 𝑃𝑖 (4)
Setelah memperoleh nilai kumulatif, rata-rata kumulatif, dan nilai mean intensitas global berdasarkan tingkatan level keabuan k, selanjutnya mencari nilai varian antar kelas 𝜎𝐵2(𝑘) dengan memanfaatkan persamaan (5) berikut:
2
𝜎𝐵2(𝑘) = 𝜔 (5)
Berdasarkan nilai varian antar kelas yang didapat pada setiap kelas keabuan, nilai varian antar kelas lalu diurut dan diambil nilai paling tinggi menggunakan persamaan (6).
𝜎 𝑚𝑎𝑥 (6)
Berdasarkan nilai dari varian pada setiap tingkat keabuan. Kemudian diurut dan dipilih nilai paling tinggi.
Kelas dengan nilai varian paling tinggi diambil sebagai nilai ambang maka citra grayscale dibagi dua area berdasarkan nilai ambang tersebut. Sehingga didapatkan bagian objek dan background-nya.
d. Operasi Morfologi
Operasi Morfologi adalah operasi yang umum dikenakan pada citra biner (hitam-putih) untuk mengubah struktur bentuk objek yang terkandung dalam citra. Operasi morfologi yakni penggabungan beberapa piksel area background menjadi area objek atau sebaliknya. Pada penelitian ini, kami menggunakan beberapa operasi pada tahap morfologi yakni, teknik closing, teknik hole filling, teknik area open, teknik erosi, dan area objek. Proses segmentasi yang diterapkan menghasilkan citra dengan kualitas yang lebih baik dalam menentukan objek dan background pada citra.
e. Ekstraksi Fitur Warna RGB
Proses ekstraksi fitur yakni fitur warna RGB, berdasarkan citra hasil operasi morfologi didapat area objek pada citra tomat. Selanjutnya, pada area objek dilanjutkan pada proses ekstraksi fitur red, green, dan blue. Setiap hasil ekstraksi fitur R, G, dan B citra kemudian dicari nilai mean- nya, kemudian digunakan sebagai citra input pada Jaringan Syaraf Tiruan yang nantinya dilatih dan diuji.
f. Tahap Klasifikasi
Tahap klasifikasi merupakan tahap terakhir setelah proses ekstraksi fitur.
Dalam penelitian ini, kami menggunakan teknik Jaringan Syaraf Tiruan dalam proses klasifikasi tingkat kematangan tomat, yang bekerja secara iteratif dengan memanfaatkan fitur data uji dan data latih yang telah dirancang oleh peneliti yang kemudian digunakan untuk mengklasifikasi citra baru yang diinput ke sistem.
III. HASIL DAN PEMBAHASAN
Dalam penelitian ini, sistem klasifikasi kematangan tomat menggunakan dua kelompok dataset yakni citra latih (training) dan citra uji (testing). Tahap klasifikasi dimulai dari tahap training dengan menggunakan 60 citra terdiri dari
20 citra tomat mentah, 20 citra tomat mengkal, dan 20 citra tomat matang, kemudian lanjut ke tahap testing dengan menggunakan 30 citra, terdiri dari 10 citra tomat mentah, 10 citra tomat mengkal, dan 10 citra tomat matang, citra yang digunakan pada tahap training berbeda dengan citra yang digunakan pada tahap testing. Citra di setiap dataset berupa citra RGB berukuran 567x567 px.
Berdasarkan hasil pelatihan sistem, penyebaran piksel dapat direpresentasikan di ruang fitur RGB pada data latih, dan terlihat bahwa penyebaran data terbagi menjadi tiga tingkat kematangan yakni, mentah, mengkal, dan matang seperti pada gambar 3.
Gambar 3. Grafik Penyebaran Piksel di Ruang Fitur RGB (Sumber: Dokumentasi Pribadi)
Berdasarkan grafik penyebaran piksel dalam ruang fitur RGB dapat dilihat bahwa penyebaran piksel citra tomat matang memiliki intensitas nilai piksel red yang tinggi dan penyebaran piksel citra tomat mentah memiliki intensitas nilai piksel green yang tinggi, serta penyebaran piksel citra tomat mengkal memiliki intensitas nilai piksel yang berada diantara penyebaran piksel citra tomat matang dan mentah.
Guna memudahkan user mengoperasikan sistem, maka kami dari pihak peneliti mendesain sebuah GUI untuk melakukan tahap klasifikasi tingkat kematangan buah tomat.
Pada tampilan GUI terdapat empat tombol yakni tombol input untuk mengambil citra dari folder komputer, tombol proses untuk memulai tahap pengolahan citra dan memperoleh output berupa hasil klasifikasi, tombol reset untuk memulai ulang sistem, dan tombol keluar untuk keluar dari sistem. Desain GUI menampilkan proses pengolahan citra yakni, citra asli, hasil konversi channel R, G, dan B, hasil konversi channel G ke citra grayscale, hasil segmentasi menggunakan metode Otsu, hasil teknik hole filling & teknik area open, teknik area objek, serta menampilkan nilai fitur R, G, B dan hasil klasifikasi dengan tiga jenis output yakni, mentah, mengkal, atau matang. Berikut tampilan GUI yang ditampilkan pada gambar 4.
Gambar 4. Desain GUI (Sumber: Dokumentasi Pribadi)
Tahap pertama yakni menginput citra ke sistem. Setelah diinput, citra dikonversi dari citra RGB ke masing-masing channel R, G, dan B untuk menentukan channel yang tepat untuk tahap segmentasi. Berdasarkan hasil konversi ke channel R, G, dan B, maka dapat disimpulkan bahwa citra pada channel R merupakan citra yang paling tepat untuk tahapan segmentasi. Berikut tampilan input citra dan hasil konversi citra RGB ke masing-masing channel R, G, dan B yang ditampilkan pada gambar 5.
Gambar 5. Contoh Hasil Konversi Citra RGB ke channel R, G, dan B
(Sumber: Dokumentasi Pribadi)
Setelah menentukan bahwa citra pada channel R tepat untuk proses segmentasi, maka selanjutnya citra akan disegmentasi dengan melalui beberapa tahapan untuk mendapatkan objek tomat seutuhnya tanpa ada objek lain pada citra, guna mempermudah sistem dalam proses klasifikasi serta diperoleh keakuratan sistem yang tinggi.
Proses pada tahap segmentasi dimulai dari mengkonversi citra channel R ke citra grayscale, segmentasi dengan metode Otsu, closing, hole filling, serta proses area objek untuk menampilkan citra hasil tahapan segmentasi. Berikut tampilan citra hasil segmentasi yang ditampilkan pada gambar 6.
Gambar 6. Citra Hasil Segmentasi
(Sumber: Dokumentasi Pribadi)
Tahap terakhir setelah proses area objek yakni tahap klasifikasi. Tahap klasifikasi dimulai dari membaca hasil ekstraksi fitur R, G, dan B pada citra, kemudian sistem akan mengklasifikasi tingkat kematangan buah tomat melalui tahapan kerja secara iteratif dengan memanfaatkan fitur data latih dan data uji yang telah dirancang oleh peneliti. Berikut contoh hasil klasifikasi sistem ditampilkan pada gambar 7.
Gambar 7. Hasil Klasifikasi (Sumber: Dokumentasi Pribadi)
Berdasarkan tabel 1, hasil pengujian diperoleh tingkat akurasi yang sempurna yakni sebesar 100% dalam proses klasifikasi tingkat kematangan tomat menggunakan jaringan syaraf tiruan. Akurasi pengujian diperoleh menggunakan persamaan (7).
𝐽𝑏
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 = 𝑥 100% (7) 𝐽𝑐
Jb merupakan jumlah citra yang benar dalam tahap klasifikasi dan Jt adalah jumlah citra keseluruhan.
Tabel 1. Hasil Klasifikasi Nama Citra Jumlah
Akurasi Citra Sesuai Error
Tomat Mentah 30 30 0 33.3%
Tomat Mengkal 30 30 0 33.3%
Tomat Matang 30 30 0 33.3%
Total 90 90 0 100%
(Sumber: Dokumentasi Pribadi)
IV. KESIMPULAN DAN SARAN A. Kesimpulan
Berdasarkan hasil uji coba dan analisis hasil deteksi kematangan tomat menggunakan metode jaringan syaraf tiruan serta menggunakan teknik pengolahan citra digital yang dimulai dari tahap akuisisi citra, tahap preprocessing yakni konversi citra ke channel R, G, dan B, tahap segmentasi (metode Otsu), tahap morfologi yakni teknik closing, teknik hole filling, teknik area open, teknik erosi, dan area objek serta ekstraksi fitur R, G, dan B yang diterapkan pada 90 dataset citra RGB yang terdiri dari 30 citra tomat mentah, 30 citra tomat mengkal, dan 30 citra tomat matang, dapat disimpulkan bahwa metode yang diusulkan peneliti sangat tepat untuk menyelesaikan masalah terkait deteksi kematangan buah tomat. Hal tersebut dibuktikan dengan tingkat akurasi sistem yang mencapai 100%.
B. Saran
Adapun saran bagi peneliti selanjutnya yang membahas tentang deteksi tingkat kematangan tomat yakni diharapkan peneliti dapat mengembangkan sistem agar mampu mengenali bentuk pada objek, sehingga sistem dapat mendeteksi apakah objek yang diinput ke sistem adalah tomat atau bukan.
DAFTAR PUSTAKA
[1] Vika, T. O. (2013). Pemuliaan tanaman tomat (solanum lysopersicum l.), tahan serangan tomato yellow leaf curl virus (tylcv). Seminar Fakultas Pertanian Universitas Gadjah Mada.
[2] Kusumanto, R. D., Tompunu, A. N., & Pambudi, W.
S. (2011). Klasifikasi warna menggunakan pengolahan model warna hsv. Jurnal Ilmiah Elite Elektro, 2(2), 83- 87.
[3] Pratama, R., Assagaf, A. F., & Tempola, F. (2019).
Deteksi kematangan buah tomat berdasarkan fitur warna menggunakan metode transformasi ruang warna his. JIKO (Jurnal Informatika dan Komputer), 2(2), 81–86. https://doi.org/10.33387/jiko.v2i2.1318 [4] Kusumaningtyas, S., & Asmara, R. N. (2016).
Identifikasi kematangan buah tomat berdasarkan warna menggunakan metode jaringan syaraf tiruan (jst). Jurnal
[5] Humaira, N. I., Herman, M., Nurhikma., &
Kaswar, A. B. (2021). Klasifikasi tingkat kualitas dan kematangan buah tomat berdasarkan fitur warna menggunakan jaringan syaraf tiruan. Journal of Embedded System Security and Intelligent System, 2(1), 20-26. Informatika Polinema, 2(2), 72-75 [6] Riska, S. Y., & Subekti, P. (2016). Klasifikasi level
kematangan buah tomat berdasarkan fitur warna menggunakan multi-svm. Jurnal Ilmiah Informatika, 1(1), 39–45. https://doi.org/10.35316/jimi.v1i1.442 [7] Aprilisa, S., & Sukemi. (2019). Klasifikasi tingkat
kematangan buah tomat berdasarkan fitur warna menggunakan k-nearest neighhbor. Prosiding Annual Seminar Fakultas Ilmu Komputer UNSRI.
[8] Firlansyah, A., Kaswar, A. B., & Risal, A. A. N.
(2021). Klasifikasi Tingkat Kematangan Buah Pepaya Berdasarkan Fitur Warna Menggunakan JST. Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi, 6(2), 55-60.
.
