Publisher

IDID

Journal Jurnal Ilmu Komputer dan InformatikaJurnal Ilmu Komputer dan Informatika Abstract

Klasifikasi varietas buah kurma merupakan tugas yang menantang karena kesamaan visualnya yang tinggi dalam hal tekstur dan warna. Studi ini bertujuan untuk mengatasi masalah ini dengan mengembangkan model klasifikasi otomatis yang menggabungkan fitur tekstur Matriks Kemunculan Tingkat Abu-abu (GLCM) buatan tangan dan saluran warna RGB rata-rata dengan pengklasifikasi Jaringan Saraf Konvolusional (CNN). Dataset terdiri dari 1.658 gambar dari sembilan varietas buah kurma, dibagi menjadi subset pelatihan 70% dan pengujian 30%. Alur kerja yang diusulkan mencakup pemrosesan awal gambar (pengubahan ukuran, normalisasi, konversi skala abu-abu), ekstraksi fitur GLCM (kontras, energi, homogenitas, korelasi), perhitungan saluran RGB rata-rata, penggabungan fitur, dan pelatihan CNN menggunakan arsitektur VGG16 dan VGG19 dengan pengoptimal Adam dan Adadelta. Kinerja model dievaluasi menggunakan akurasi, presisi, recall, skor F1, dan matriks kebingungan. Hasil eksperimen menunjukkan bahwa VGG19 dengan pengoptimal Adam mencapai akurasi validasi tertinggi sebesar 91%, sedikit mengungguli VGG16 (90%) tetapi masih di bawah akurasi 96% yang dilaporkan dalam studi sebelumnya menggunakan MobileNetV2. Integrasi fitur buatan tangan meningkatkan sensitivitas terhadap variasi warna dan tekstur yang halus, meskipun memperkenalkan potensi redundansi fitur. Kesimpulannya, GLCM–RGB–CNN hibrida dengan VGG19 dan Adam mencapai akurasi 91%, membuktikan manfaat menggabungkan fitur buatan tangan dan mendalam sambil menyoroti peluang untuk peningkatan lebih lanjut melalui augmentasi data dan optimasi arsitektur.

Conclusion

Penelitian ini menunjukkan bahwa pendekatan hibrida yang mengintegrasikan fitur GLCM, RGB, dan CNN mencapai akurasi 91% dengan VGG19 dan Adam.Meskipun sedikit lebih rendah dari 96% yang dilaporkan oleh MobileNetV2, pendekatan ini memberikan interpretasi yang lebih tinggi dengan secara eksplisit menangkap karakteristik tekstur dan warna.Hasil ini menyoroti pentingnya menggabungkan fitur buatan tangan dan mendalam untuk klasifikasi varietas buah kurma yang secara visual mirip, dan membuka peluang untuk aplikasi lebih lanjut di bidang pertanian dan teknologi pangan.

Future Research

Berdasarkan hasil penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk meningkatkan akurasi dan keandalan sistem klasifikasi varietas buah kurma. Pertama, perlu dilakukan eksplorasi lebih lanjut terhadap teknik augmentasi data, seperti rotasi, flipping, dan perubahan warna, untuk meningkatkan variasi data pelatihan dan mengurangi risiko overfitting. Kedua, penelitian dapat difokuskan pada pengembangan arsitektur CNN yang lebih adaptif, seperti ResNet atau EfficientNet, yang mampu menangkap fitur-fitur kompleks dengan lebih efisien. Ketiga, integrasi data sensor tambahan, seperti data suhu dan kelembaban, dapat memberikan informasi kontekstual yang berharga untuk meningkatkan akurasi klasifikasi, terutama dalam kondisi lingkungan yang bervariasi. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan sistem klasifikasi yang lebih robust, akurat, dan dapat diandalkan untuk mendukung pengambilan keputusan dalam industri pertanian dan perdagangan buah kurma.

References

1. A Proposed Batik Automatic Classification System Based on Ensemble Deep Learning and GLCM Feature Extraction... doi.org/10.14569/IJACSA.2024.0151058A Proposed Batik Automatic Classification System Based on Ensemble Deep Learning and GLCM Feature Extraction doi 10 14569 IJACSA 2024 0151058

Metadata

File size	687.16 KB
Pages	12
DMCA	Report