NINETYJOURNALNINETYJOURNAL

Jurnal Kecerdasan Buatan dan Teknologi InformasiJurnal Kecerdasan Buatan dan Teknologi Informasi

Penilaian kualitas mutiara secara konvensional masih sangat bergantung pada inspeksi visual manual yang bersifat subjektif dan tidak konsisten. Studi ini mengembangkan PearlVision AI, sistem otomatis untuk menilai kualitas mutiara Lombok menggunakan ekstraksi fitur morfologi dan pembelajaran ensemble. Dataset terdiri dari 361 gambar mutiara Laut Selatan (Pinctada maxima) yang dilabeli ke dalam tiga kelas komersial: A (n=120), AA (n=120), dan AAA (n=120). Pipeline yang diproposiskan mengintegrasikan segmentasi hibrida (Hough Circle Transform Convex Hull) untuk isolasi objek yang kuat, ekstraksi empat deskriptor geometris (circularity, eccentricity, area, perimeter), dan evaluasi komparatif empat algoritma klasifikasi: Random Forest, Gradient Boosting, K-Nearest Neighbor, dan SVM (RBF). Hasil menunjukkan bahwa Random Forest mencapai kinerja optimal dengan akurasi uji 97,22% dan skor validasi silang 5-fold 91,68%, konsisten menjaga presisi, recall, dan F1-score >0,95 di semua kelas. Analisis penting fitur menunjukkan bahwa fitur terkait ukuran (area dan perimeter) berkontribusi lebih signifikan pada diskriminasi kelas daripada metrik berbasis bentuk (circularity), mencerminkan korelasi alami antara diameter mutiara dan nilai komersial dalam dataset ini. Dengan waktu inferensi <0,5 detik per gambar, PearlVision AI menawarkan solusi objektif, efisien, dan dapat diulang untuk mengurangi bias penilaian manual dan meningkatkan konsistensi kontrol kualitas dalam industri mutiara.

Studi ini berhasil mengembangkan PearlVision AI, sistem penilaian otomatis untuk mutiara Lombok yang mengintegrasikan segmentasi hibrida dan pembelajaran ensemble.Sistem ini secara efektif mengatasi tantangan optik di lapangan seperti highlight spesular dan latar belakang ber tekstur, memungkinkan ekstraksi fitur morfologi yang robust.Random Forest muncul sebagai model optimal, mencapai akurasi uji 97,22% dengan metrik konsisten >0,95 di semua kelas (A, AA, AAA).Secara signifikan, fitur terkait ukuran (area dan perimeter) berkontribusi lebih besar pada diskriminasi kelas daripada metrik berbasis bentuk (circularity), mencerminkan korelasi alami antara diameter mutiara dan nilai komersial dalam dataset ini.Secara praktis, PearlVision AI menawarkan solusi objektif dan efisien (<0,5 detik/gambar) untuk mengurangi bias penilaian manual dan meningkatkan konsistensi kontrol kualitas industri.Batasan utama termasuk ukuran dataset yang moderat dan ketergantungan eksklusif pada deskriptor geometris.(1) ekspansi dataset melintasi variasi mutiara dan kondisi pengambilan data, (2) integrasi fitur multi-modal (warna, tekstur, luster), dan (3) pengembangan implementasi real-time untuk adopsi penuh industri.Penelitian ini menetapkan fondasi reproduksibel untuk transformasi digital berbasis AI dalam penilaian kualitas budidaya.

Untuk meningkatkan akurasi dan generalisasi PearlVision AI, penelitian lanjutan dapat menggabungkan fitur multi-modal seperti analisis warna, tekstur, dan kilau mutiara, yang sebelumnya tidak dipertimbangkan dalam studi ini. Selain itu, pengembangan model berbasis deep learning seperti CNN atau transformasi visual (Vision Transformer) mungkin dapat meningkatkan kemampuan sistem untuk mengenali variasi halus dalam bentuk dan permukaan mutiara. Terakhir, penelitian juga perlu mengeksplorasi penggunaan dataset yang lebih besar dan beragam, termasuk mutiara dari daerah lain atau dengan kondisi lingkungan yang berbeda, untuk memastikan robustness sistem di berbagai konteks industri.

  1. PEARLVISION AI: AN AUTOMATED PEARL QUALITY GRADING SYSTEM BASED ON MORPHOLOGICAL FEATURES AND ENSEMBLE... doi.org/10.69916/jkbti.v4i3.472PEARLVISION AI AN AUTOMATED PEARL QUALITY GRADING SYSTEM BASED ON MORPHOLOGICAL FEATURES AND ENSEMBLE doi 10 69916 jkbti v4i3 472
  2. LOMBOK PEARL QUALITY CLASSIFICATION USING A COMBINATION OF FEATURE EXTRACTION AND ARTIFICIAL NEURAL NETWORKS... ejournal.nusamandiri.ac.id/index.php/pilar/article/view/3507LOMBOK PEARL QUALITY CLASSIFICATION USING A COMBINATION OF FEATURE EXTRACTION AND ARTIFICIAL NEURAL NETWORKS ejournal nusamandiri ac index php pilar article view 3507
Read online
File size487.52 KB
Pages7
DMCAReport

Related /

ads-block-test