Perbandingan Akurasi Jarak Potret Untuk Pengenalan Jenis Bibit Mangga Metode JST-PB Dan Fitur GLCM
DOI:
https://doi.org/10.32877/bt.v7i3.2303Keywords:
Akurasi, GLCM, JST-PB, Pengenalan Jenis Bibit Mangga, Urat Daun
Abstract
Penelitian ini bertujuan untuk membandingkan tingkat akurasi dalam mengenali jenis bibit mangga berdasarkan tekstur urat daun menggunakan metode Jaringan Syaraf Tiruan Propagasi Balik (JST-PB) dan fitur Gray Level Co-occurrence Matrix (GLCM). Identifikasi jenis bibit mangga menjadi tantangan karena variabilitas genetik yang tinggi, yang mempengaruhi kemampuan dalam mengenali bibit mangga secara otomatis. Dalam penelitian ini, citra daun mangga diambil dengan tiga variasi jarak potret (5 cm, 10 cm, dan 15 cm) untuk menilai pengaruh jarak terhadap akurasi pengenalan. Proses pertama dilakukan dengan ekstraksi tekstur urat daun menggunakan GLCM, yang mengubah citra RGB menjadi citra grayscale dan mengambil empat fitur utama (kontras, homogenitas, korelasi, dan energi). Setelah itu, model JST-PB diterapkan untuk melatih jaringan saraf dengan menggunakan data citra yang telah diproses. Hasil penelitian menunjukkan bahwa jarak potret 15 cm menghasilkan akurasi tertinggi, yaitu 34%, dengan 22 dari 64 citra uji berhasil dikenali dengan benar. Jarak potret 5 cm dan 10 cm menunjukkan akurasi yang lebih rendah, masing-masing 23% dan 17%. Penggunaan satu hidden layer dengan 10 neuron dalam JST-PB terbukti memberikan performa terbaik pada jarak potret 15 cm. Penelitian ini diharapkan dapat memberikan kontribusi dalam meningkatkan akurasi pengenalan bibit mangga secara otomatis, serta memberikan wawasan mengenai pengaruh jarak potret dalam aplikasi pengolahan citra pertanian.
Downloads
References
S. Thaseentaj and S. S. Ilango, “Mango Leaf Disease Classification with Transfer Learning, Feature Localization, and Visual Explanations,” Int. J. Intell. Eng. Syst., vol. 17, no. 4, pp. 1042–1063, 2024, doi: 10.22266/IJIES2024.0831.78.
R. Saleem, J. H. Shah, M. Sharif, and G. J. Ansari, “Mango Leaf Disease Identification Using Fully Resolution Convolutional Network,” Comput. Mater. Contin., vol. 69, no. 3, pp. 3581–3601, 2021, doi: 10.32604/cmc.2021.017700.
D. Hanif Pristian, D. Iskandar Mulyana, E. Donaldo, and T. Informatika Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika, “Klasifikasi Deteksi Hama pada Buah Mangga dengan Citra Digital Sistematic Literatur Review (SLR),” J. Pendidik. Tambusai, vol. 6, no. 1, pp. 1978–1983, 2022, doi: 10.31004/jptam.v6i1.3243.
W. Satria, “JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PERAMALAN PENJUALAN PRODUK (STUDI KASUS DI METRO ELECTRONIC DAN FURNITURE),” Djtechno J. Teknol. Inf., vol. 1, no. 1, pp. 14–19, Jun. 2021, doi: 10.46576/djtechno.v1i1.966.
T. N. Pham, L. Van Tran, and S. V. T. Dao, “Early Disease Classification of Mango Leaves Using Feed-Forward Neural Network and Hybrid Metaheuristic Feature Selection,” IEEE Access, vol. 8, no. Iii, pp. 189960–189973, 2020, doi: 10.1109/ACCESS.2020.3031914.
D. Hidayat, “Klasifikasi Jenis Mangga Berdasarkan Bentuk Dan Tekstur Daun Menggunakan Metode Convolutio Nalneural Network(Cnn) Classification of Types of Mango Based on Leave Shape and Texture Using Convolutio Nalneural Network(Cnn) Method,” J. Inf. Technol. Comput. Sci., vol. 5, no. 1, pp. 98–103, 2022, doi: 10.31539/intecoms.v5i1.3401 .
J. Jusrawati, A. Futri, and A. B. Kaswar, “Klasifikasi Tingkat Kematangan Buah Pisang Dalam Ruang Warna RGB Menggunakan Jaringan Syaraf Tiruan (JST-PB),” J. Embed. Syst. Secur. Intell. Syst., vol. 2, no. 1, p. 49, Nov. 2021, doi: 10.26858/jessi.v2i1.20327.
I. R. Jiwanata and D. Hermanto, “Perbandingan Tingkat Akurasi Daging Bakso Berdasarkan Jarak Potret Menggunakan Fitur GLCM Dengan Metode JST-PB,” J. Tek. Inform. dan Sist. Informas, vol. 10, no. 4, pp. 93–103, 2023, doi : 10.35957/jatisi.v10i4.
F. Hermanto Laia, R. Rosnelly, K. Buulolo, M. C. Lase, and A. Naswar, “Klasifikasi Kematangan Buah Mangga Madani Berdasarkan Bentuk Dengan Jaringan Syaraf Tiruan Metode Perceptron,” Device, vol. 13, no. 1, pp. 14–20, May 2023, doi: 10.32699/device.v13i1.4095.
M. F. Mubarokh, M. Nasir, and D. Komalasari, “Jaringan Syaraf Tiruan Untuk Memprediksi Penjualan Pakaian Menggunakan Algoritma Backpropagation,” J. Comput. Inf. Syst. Ampera, vol. 1, no. 1, pp. 29–43, 2020, doi: 10.51519/journalcisa.v1i1.3.
T. A. Naufal, A. Sembiring, and H. Sembiring, “Jaringan Syaraf Tiruan Memprediksi Tingkat Penggunaan Sosial Media Dimasa Pandemi Menggunakan Metode Backpropagation,” J. Tek. Komputer, Agroteknologi Dan Sains, vol. 1, no. 1, pp. 94–102, Oct. 2022, doi: 10.56248/marostek.v1i1.19.
R. M. Hakiky, N. Hikmah, and D. Ariyanti, “Klasifikasi Jenis Pohon Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Backpropagation,” J. Inform. Upgris, vol. 6, no. 2, 2021, doi: 10.26877/jiu.v6i2.6645.
J. R. Simanungkalit, H. Haviluddin, H. S. Pakpahan, N. Puspitasari, and M. Wati, “Algoritma Backpropagation Neural Network dalam Memprediksi Harga Komoditi Tanaman Karet,” Ilk. J. Ilm., vol. 12, no. 1, pp. 32–38, Apr. 2020, doi: 10.33096/ilkom.v12i1.521.32-38.
J. Jamaludin, C. Rozikin, and A. S. Y. Irawan, “Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation,” Techné J. Ilm. Elektrotek., vol. 20, no. 1, pp. 1–12, Mar. 2021, doi: 10.31358/techne.v20i1.231.
Sugiyono and Awaludin, “Pemodelan Pengolahan Citra Klasifikasi Jenis Buah Mangga Menggunakan Metode Backpropagation,” Al-Irsyad, vol. 4, no. 5, pp. 952–958, 2022, doi: doi.org/10.31004/jpdk.v4i5.6721.
C. M. PERMADANI, I. NIRMALA, and R. HIDAYATI, “Sistem Otomatisasi Lampu Ruangan berdasarkan Kebiasaan Pengguna menggunakan Algoritma Backpropagation,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 12, no. 2, p. 352, Apr. 2024, doi: 10.26760/elkomika.v12i2.352.
M. Fahim-Ul-Islam, A. Chakrabarty, R. Rahman, H. Moon, and M. J. Piran, “Advancing mango leaf variant identification with a robust multi-layer perceptron model,” Sci. Rep., vol. 14, no. 1, p. 27406, 2024, doi: 10.1038/s41598-024-74612-0.
F. A. Ansah, M. Amo-Boateng, E. K. Siabi, and P. K. Bordoh, “Location of seed spoilage in mango fruit using X-ray imaging and convolutional neural networks,” Sci. African, vol. 20, 2023, doi: 10.1016/j.sciaf.2023.e01649.
F. A. Mufarroha and D. Abdul Fatah, “KLASIFIKASI JENIS REMPAH PENGHASIL MINYAK ATSIRI MENGGUNAKAN METODE MACHINE LEARNING,” J. Simantec, vol. 11, no. 1, pp. 123–130, Dec. 2022, doi: 10.21107/simantec.v11i1.19743.
V. Y. P. Ardhana, J. Saputra, and M. Afriansyah, “Klasifikasi Jenis Mangga Berdasarkan Tekstur Tulang Daun Menggunakan Metode Learning Vector Quantization (LVQ),” J. Comput. Syst. Informatics, vol. 4, no. 1, pp. 220–228, Dec. 2022, doi: 10.47065/josyc.v4i1.2420.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 bit-Tech
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.
DOI :
Abstract views: 54
/ 
PDF downloads: 25
