Evaluasi Kualitas dan Kematangan Mangga Menggunakan Analisis Citra Digital dengan Euclidean Distance Fokus pada Buah Hijau dan Kuning
DOI:
https://doi.org/10.31294/ijcs.v3i2.5599Keywords:
Mangga, analisis citra digital, kematangan buah, pemrosesan gambar, klasifikasi warnaAbstract
Penelitian ini bertujuan untuk mengevaluasi kualitas dan kematangan buah mangga melalui analisis citra digital. Kualitas dan kematangan buah mangga sangat mempengaruhi rasa, tekstur, dan keberlanjutan dalam industri pertanian dan pengolahan makanan. Metode tradisional penilaian yang melibatkan pengamatan warna, tekstur, dan aroma sering kali bersifat subjektif dan sulit diukur secara konsisten. Oleh karena itu, penelitian ini memanfaatkan teknologi pemrosesan gambar berbasis MATLAB untuk memberikan pendekatan objektif dalam penilaian kematangan buah. Fokus penelitian ini adalah pada dua tahap warna mangga yang umum, yaitu hijau (belum matang) dan kuning (matang). Melalui analisis citra digital, algoritma pemrosesan gambar digunakan untuk mendeteksi perubahan warna yang berkaitan dengan kematangan serta mengidentifikasi cacat atau kerusakan fisik pada buah. Hasil penelitian menunjukkan bahwa analisis citra digital efektif dalam membedakan antara mangga matang dan hijau, dengan tingkat akurasi klasifikasi yang tinggi. Temuan ini mendukung pengembangan sistem penilaian otomatis yang dapat meningkatkan efisiensi dan konsistensi dalam pemilihan serta pemrosesan buah mangga. Dari hasil ekstraksi ciri pada Metric nilai 0.8373 menunjukkan hasil yang relatif baik. Nilai Eccentricity 0.8333, Nilai Contrast 0.084535. Nilai contrast yang rendah seperti 0.084535 menunjukkan bahwa citra memiliki sedikit perbedaan intensitas antara piksel-pikselnya, nilai Correlation yang didapatkan 0.9877, Nilai yang mendekati 1, seperti 0.9877, menunjukkan bahwa ada hubungan yang sangat kuat antara nilai intensitas piksel yang berdekatan. Nilai Energy yang didapatkan adalahh 0.40659. Nilai 0.40659 menunjukkan tingkat energi yang sedang dalam citra. Dan nilai Homogeneity adalah 0.98094. Nilai 0.98094 menunjukkan bahwa citra memiliki tingkat keseragaman yang sangat tinggi, dengan perbedaan intensitas yang sangat sedikit di seluruh citra.
References
Akbar Anugrah Illahi, M., & Tri Handoko, W. (2023). Klasifikasi Jenis Buah Kelengkeng Dengan Metode K-Nearest Neighbor (KNN) Berdasarkan Citra Warna Buah. 4(3), 566–573.
Awad, F. H., Hamad, M. M., & Alzubaidi, L. (2023). Robust Classification and Detection of Big Medical Data Using Advanced Parallel K-Means Clustering, YOLOv4, and Logistic Regression. Life, 13(3). https://doi.org/10.3390/life13030691
Ghazal, T. M., Hussain, M. Z., Said, R. A., Nadeem, A., Hasan, M. K., Ahmad, M., Khan, M. A., & Naseem, M. T. (2021). Performances of k-means clustering algorithm with different distance metrics. Intelligent Automation and Soft Computing, 30(2), 735–742. https://doi.org/10.32604/iasc.2021.019067
Harjanti, T. W., & Himawan, H. (2021). Teknologi Pengolahan Citra Digital Untuk Ekstraksi Ciri pada Citra Daun untuk Identifikasi Tumbuhan Obat. Faktor Exacta, 14(3), 150. https://doi.org/10.30998/faktorexacta.v14i3.9841
Hendriyan, Syafriani, D., Defwaldy, & Driptufany, dwi marsiska. (2023). Jurnal Teknik Indonesia. Jurnal Teknik Indonesia, 2(4), 14–28.
Muchtar, M., & Muchtar, R. A. (2024). Perbandingan Metode Knn Dan Svm Dalam Klasifikasi Kematangan Buah Mangga Berdasarkan Citra Hsv Dan Fitur Statistik. Jurnal Informatika Dan Teknik Elektro Terapan, 12(2), 876–884. https://doi.org/10.23960/jitet.v12i2.4010
Muchtar, M., Pasrun, Y. P., Rasyid, R., Miftachurohmah, N., & Mardiawati, M. (2024). Penerapan Metode Naïve Bayes Dalam Klasifikasi Kesegaran Ikan Berdasarkan Warna Pada Citra Area Mata. Jurnal Informatika Dan Teknik Elektro Terapan, 12(1), 611–617. https://doi.org/10.23960/jitet.v12i1.3879
Nithya, R., Santhi, B., Manikandan, R., Rahimi, M., & Gandomi, A. H. (2022). Computer Vision System for Mango Fruit Defect Detection Using Deep Convolutional Neural Network. Foods, 11(21). https://doi.org/10.3390/foods11213483
Nuraini, R. (2022). Implementasi Euclidean Distance dan Segmentasi K-Means Clustering Pada Identifikasi Citra Jenis Ikan Nila. KLIK: Kajian Ilmiah Informatika Dan Komputer, 3(1), 1–8.
Nurnaningsih, D., Alamsyah, D., Herdiansah, A., & Sinlae, A. A. J. (2021). Identifikasi Citra Tanaman Obat Jenis Rimpang dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur. Building of Informatics, Technology and Science (BITS), 3(3), 171–178. https://doi.org/10.47065/bits.v3i3.1019
Nurulrachman, A. I., Wihandika, R. C., & ... (2023). Ekstraksi Ciri pada Klasifikasi Citra Batik menggunakan Metode Gray Level Co-Occurrence Matrix, Local Binary Pattern, dan HSV Color Moment. … Teknologi Informasi Dan …, 7(1), 374–383.
Pramudit, A. E., & Akbar, M. B. (2024). Absensi Dengan Pengenalan Wajah Menggunakan Convolutional Neural Network (CNN) Dan Euclidean Distance Attendance with face recognition using Convolutional Neural Network (CNN) and Euclidean Distance. Jurnal Info Digit, 2(2), 616–631.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 David Agus Salim, Yesi Betriana Roza, Agung Ramadhanu
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
