KRESNA MEDIAKRESNA MEDIA

Jurnal Riset InformatikaJurnal Riset Informatika

Perkembangan teknologi Computer Vision telah memberikan kontribusi signifikan pada sektor pertanian, khususnya dalam identifikasi tanaman berdasarkan karakteristik visual. Jambu air (Syzygium aqueum) merupakan salah satu komoditas buah yang banyak dibudidayakan di Indonesia; namun, varietas bibitnya seringkali sulit dibedakan secara visual. Metode yang mengandalkan pengamatan manusia cenderung memiliki akurasi rendah, sehingga menyoroti kebutuhan akan sistem identifikasi konvensional yang akurat dan efisien sejak tahap awal. Penelitian ini bertujuan untuk menganalisis pengaruh variasi jarak pencitraan terhadap hasil ekstraksi fitur tekstur urat daun menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dan untuk memancarkan bagaimana parameter ini mempengaruhi kinerja klasifikasi bibit jambu air menggunakan Backpropagation Artificial Neural Network (ANN). Berbeda dengan studi klasifikasi tanaman GLCM–ANN sebelumnya yang berfokus pada pencahayaan atau variasi spesies, penelitian ini secara sistematis mengungkap jarak pencitraan sebagai faktor kunci dalam mengoptimalkan stabilitas fitur tekstur dan meningkatkan akurasi model. Eksperimen dilakukan dengan menggunakan lima jarak pencitraan—7 cm, 9 cm, 11 cm, 13 cm, dan 15 cm—dengan 2.500 gambar yang digunakan untuk data pelatihan dan 500 gambar untuk data pengujian. Hasil menunjukkan bahwa jarak pencitraan 13 cm memberikan kinerja terbaik, mencapai akurasi 80%, di mana 80 dari 100 gambar uji diklasifikasikan dengan benar, didukung oleh nilai presisi, recall, dan F1-score yang seimbang yang menunjukkan kinerja klasifikasi yang stabil dan andal.

Penelitian ini menyimpulkan bahwa jarak pencitraan 13 cm memberikan akurasi tertinggi sebesar 80% dalam mengidentifikasi bibit jambu air menggunakan metode ANN-BP dan GLCM.Hasil ini menunjukkan bahwa jarak pencitraan berpengaruh signifikan terhadap stabilitas fitur tekstur dan akurasi klasifikasi.Untuk penelitian lanjutan, disarankan untuk meningkatkan jumlah jenis bibit jambu air yang dianalisis, serta mengeksplorasi dampak perubahan ukuran pemotongan gambar dan resolusi kamera terhadap akurasi klasifikasi.

Penelitian lanjutan dapat fokus pada penggunaan teknik pemrosesan citra berbasis deep learning untuk meningkatkan akurasi identifikasi bibit jambu air. Selain itu, perlu dilakukan studi lebih lanjut tentang pengaruh variasi intensitas cahaya dan sudut pengambilan gambar terhadap kualitas fitur tekstur. Terakhir, penelitian juga dapat diperluas ke spesies tanaman lain untuk menguji generalisasi metode ini dalam aplikasi pertanian berbasis komputer vision.

  1. INFLUENCE OF LEAF IMAGING DISTANCE ON WATER GUAVA CLASSIFICATION USING NEURAL NETWORK WITH GRAY LEVEL... doi.org/10.34288/jri.v8i1.419INFLUENCE OF LEAF IMAGING DISTANCE ON WATER GUAVA CLASSIFICATION USING NEURAL NETWORK WITH GRAY LEVEL doi 10 34288 jri v8i1 419
  2. Klasifikasi Citra Daun dengan GLCM (Gray Level Co-Occurence) dan K-NN (K-Nearest Neighbor) | MATRIK :... journal.universitasbumigora.ac.id/index.php/matrik/article/view/1572Klasifikasi Citra Daun dengan GLCM Gray Level Co Occurence dan K NN K Nearest Neighbor MATRIK journal universitasbumigora ac index php matrik article view 1572
Read online
File size1.41 MB
Pages10
DMCAReport

Related /

ads-block-test