Klasifikasi kualitas jeruk lokal menggunakan metode neural network

INDONESIA:

Buah Jeruk merupakan buah yang memiliki nilai ekonomis tinggi dan dibudidayakan secara luas oleh petani sebagai sumber pendapatan utama. Namun budidaya jeruk di Indonesia masih lebih mengutamakan cara tradisional terutama pada tahap pasca panen. tingkat hasil dan mutu produk jeruk yang dijual masih rendah. Penelitian ini bertujuan membuat sistem yang mampu mengklasifikasikan kualitas jeruk berdasarkan tingkat kematangan dan keseragaman bentuk menurut standar SNI 3165:2009 menggunakan metode Neural Network (NN). Input proses menggunakan data citra berformat RGB pada 3 sisi permukaan jeruk yang berbeda 120 derajat melingkupi seluruh permukaan jeruk yang telah melewati preprocessing berupa remove background, resize (200x200), pengabungan 3 gambar (200x600), dan normalisasi gambar. Input proses juga menggunakan data numerik yang berisi data diameter, tinggi, dan berat jeruk yang telah dilakukan normalisasi. Kelas klasifikasi berjumlah 20 kelas yang berupa kombinasi dari kelas kematangan yang diwakili huruf A-E dan kelas ukuran yang diwakili angka 1-4. Uji coba sistem dibagi menjadi 3 yaitu sistem 1 – 3 dan masing masing sistem diuji dengan 2 kombinasi data training testing yang berbeda yaitu 70:30 dan 80:20. Setelah dilakukan pengujian pada sistem diperoleh performa terbaik pada sistem 3 (80:20) dengan nilai accuracy 77.5%, precision 80.8%, recall 80.8%, dan f-measure 80.8%. Performa yang cukup baik pada sistem 3 dipengaruhi oleh tingkat kompleksitas arsitektur yang cukup tinggi dengan total 17 Hidden Layer sehingga sistem mampu mengklasifikasikan kombinasi kelas kematangan dan kelas ukuran dengan baik.

ENGLISH:

Orange fruit is a fruit with high economic value and is widely cultivated by farmers as a primary source of income. However, orange cultivation in Indonesia still primarily uses traditional methods, especially in the post-harvest stage. The yield and quality of oranges sold are still low. This study aims to create a system capable of classifying the quality of oranges based on ripeness level and shape uniformity according to the SNI 3165:2009 standard using the Neural Network (NN) method. The input process uses RGB image data from 3 different surfaces of the orange at 120-degree angles covering the entire surface of the orange, which has undergone preprocessing such as background removal, resizing (200x200), combining 3 images (200x600), and image normalization. The input process also uses numerical data containing the diameter, height, and weight of the orange, which has been normalized. The classification has 20 classes, which are combinations of ripeness classes represented by letters A-E and size classes represented by numbers 1-4. The system testing is divided into 3 systems (systems 1-3), and each system is tested with 2 different training and testing data combinations, namely 70:30 and 80:20. After testing the system, the best performance was obtained in system 3 (80:20) with an accuracy of 77.5%, precision of 80.8%, recall of 80.8%, and f-measure of 80.8%. The fairly good performance in system 3 is influenced by the high complexity of the architecture with a total of 17 hidden layers, allowing the system to classify the combination of ripeness and size classes well.

ARABIC:

فاكهة البرتقال هي فاكهة ذات قيمة اقتصادية عالية ويزرعها المزارعون على نطاق واسع كمصدر رئيسي للدخل. ومع
ذلك، لا تزال زراعتها في إندونيسيا تعطي الأولوية للطرق التقليدية، خاصة في مرحلة ما بعد الحصاد. لا يزال مستوى العائد وجودة
منتجات البرتقال المباعة منخفضا. هدف هذا البحث إلى إنشاء نظام قادر على تصنيف جودة البرتقال بناء على مستوى النضج
وتوحيد الشكل وفقا لمعيار SNI 3165: 2009 باستخدام طريقة الشبكة العصبية ) NN (. يستخدم إدخال العملية بيانات
صورة RGB على 3 جوانب مختلفة من السطح البرتقالي 120 درجة تغطي السطح البرتقالي بالكامل الذي مر بالمعالجة المسبقة
في شكل إزالة الخلفية، وتغيير الحجم ) 200 × 200 ( ، ودمج 3 صور ) 200 × 600 (، وتطبيع الصورة.استخدم إدخال العملية
أيضا بيانات رقمية تحتوي على بيانات حول قطر وارتفاع ووزن البرتقال الذي تم تطبيعه. هناك 20 فئة تصنيف في شكل مجموعة من
فئات النضج ممثلة بالحروف A-E وفئات الحجم ممثلة بالأرقام 1 - 4. تم تقسيم تجربة النظام إلى 3 أنظمة، وهي نظام 1 إلى 2 وتم
اختبار كل نظام بثلاث مجموعات مختلفة من بيانات اختبار التدريب، وهي 70:30 ، 80:20 . بعد الاختبار على النظام، تم
الحصول على أفضل أداء في النظام 3 ( 80:20 ( بقيمة دقة 77.5 %، ثبات 80.8 %، استدعاء 80.8 %، وقيمة ف
80.8 %. يتأثر الأداء الجيد في نظام 3 بالمستوى العالي من التعقيد المعماري بإجمالي 17 طبقة مخفية بحيث يكون النظام قادرا على
تصنيف مجموعة من فئات النضج وفئات الحجم بشكل جيد .