Klasifikasi Kematangan Manggis Berdasarkan Fitur Warna dan Tekstur Menggunakan Algoritma Naive Bayes

Raihan Abimanyu Suharman; Hartono Hartono

doi:10.21831/pythagoras.v17i2.53625

Klasifikasi Kematangan Manggis Berdasarkan Fitur Warna dan Tekstur Menggunakan Algoritma Naive Bayes

Raihan Abimanyu Suharman, Universitas Negeri Yogyakarta, Indonesia
Hartono Hartono, Universitas Negeri Yogyakarta, Indonesia

10.21831/pythagoras.v17i2.53625

Abstract

Manggis merupakan salah satu komoditas buah asli Indonesia yang memiliki prospek pasar yang menjanjikan, terlebih dalam pasar ekspor. Namun masih ada permasalahan dalam hal penyortiran buah hasil panen. Buah manggis hasil panen disortir berdasarkan kematangan buahnya untuk tujuan pasar yaitu pasar ekspor dan pasar domestik. Faktor penentu kematangan buah manggis adalah warna dan tekstur dari kulit buahnya. Penelitian ini bertujuan untuk mengklasifikasi kematangan buah manggis berdasarkan warna dan tekstur menggunakan algoritma Naive Bayes. Fitur warna dan tekstur yang diekstraksi adalah kontras, korelasi, energi, homogenitas, entropi, standar deviasi, mean, varians, skewness, dan kurtosis. Fitur diekstraksi dari citra RGB, citra grayscale, citra HSV, dan citra CIELAB. Hasil ekstraksi fitur melewati tahap seleksi fitur menggunakan algoritma Minimum Redundancy Maximum Relevance (MRMR). Metode klasifikasi yang digunakan adalah metode Naive Bayes. Model klasifikasi Naive Bayes menggunakan parameter sebanyak 13 fitur dalam pembangunan modelnya yaitu mean R, mean G, standar deviasi G, mean Saturation, mean Hue, standar deviasi Hue, standar deviasi Value, mean a*, mean b*, standar deviasi a*, standar deviasi b*, varians a*, dan kontras. Hasil klasifikasi kematangan buah manggis menggunakan algoritma Naive Bayes memperoleh tingkat akurasi sebesar 95,7% dengan sensitivitas, spesifisitas, dan presisi untuk kelas matang sebesar 93,3%, 96,8%, dan 93,3%. Sensitivitas, spesifisitas, dan presisi untuk kelas mentah masing-masing sebesar 100%. Sensitivitas, dan presisi untuk kelas setengah matang sebesar 93,3%, 96,9%, dan 93,3%.

Keywords

klasifikasi; kematangan manggis; naive bayes; mrmr

Full Text:

PDF

References

Azima, A. S., Noriham, A., & Manshoor, N. (2017). Phenolics, antioxidants and color properties of aqueous pigmented plant extracts: Ardisia colorata var. elliptica, Clitoria ternatea, Garcinia mangostana and Syzygium cumini. Journal of Functional Foods, 38, 232-241. https://doi.org/10.1016/j.jff.2017.09.018

Badan Pusat Statistik. (2021). Produksi Tanaman Buah-buahan (2017-2021). https://www.bps.go.id/indicator/55/62/1/produksi-tanaman-buah-buahan.html

Departemen Pertanian. (2004). Standar Prosedur Operasi. Jakarta: Direktorat Tanaman Buah Departemen Pertanian.

Ding, C., and H. Peng. (2005). Minimum redundancy feature selection from microarray gene expression data. Journal of Bioinformatics and Computational Biology, 3(2), 185–205. https://doi.org/10.1142/S0219720005001004

Kamel, H., Abdulah, D., & Al-Tuwaijari, J. M. (2019, June). Cancer classification using gaussian naive bayes algorithm. In 2019 International Engineering Conference (IEC), 165-170. IEEE. https://doi.org/10.1109/IEC47844.2019.8950650

Khisanudin, I. S., dan Murinto. (2020). Dragon fruit maturity detection based- HSV space color using naive bayes classifier method. IOP Conference Series: Materials Science and Engineering, 771(1). https://doi.org/10.1088/1757-899X/771/1/012022

Kusuma, A., & Putra, M. D. M. (2018). Tomato maturity classification using naive bayes algorithm and histogram feature extraction. Journal of Applied Intelligent System 3(1), 39-48. https://doi.org/10.33633/jais.v3i1.1988

Li, G., Thomas, S., & Johnson, J. J. (2013). Polyphenols from the mangosteen (Garcinia mangostana) fruit for breast and prostate cancer. Frontiers in pharmacology, 4, 80. https://doi.org/10.3389/fphar.2013.00080

Liantoni, F., dan Nugroho, H. (2015). Klasifikasi daun herbal menggunakan metode naïve bayes classifier dan k-nearest neighbor. Jurnal Simantec, 5(1). https://journal.trunojoyo.ac.id/simantec/article/view/1009

Manik, F. Y, Saragih, K. S. (2017). Klasifikasi belimbing menggunakan naive bayes berdasarkan fitur warna RGB. IJCCS, 11(1), 99. 1978-1520. https://doi.org/10.22146/ijccs.17838

Minut, M. (2021). Fruits-262 dataset: A dataset containing a vast majority of the popular and known fruits. Kaggle. https://www.kaggle.com/datasets/aelchimminut/fruits262

Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: ANDI Yogyakarta.

Ray, S. (2019). A Quick Review of Machine Learning Algorithms. 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 35-39. https://doi.org/10.1109/COMITCon.2019.8862451

Sahagun, M. A. M. (2020). Determination of Sweetness Level of Mutingia Calabura using HSV Colorspace. 2020 International Conference on Data Analytics for Business and Industry: Way Towards a Sustainable Economy (ICDABI), 1-5. https://doi.org/10.1109/ICDABI51230.2020.9325684

Sari, C. A., et al. (2020). Papaya fruit type classification using LBP features extraction and naive bayes classifier. 2020 International Seminar on Application for Technology of Information and Communication (iSemantic), 28-33. https://doi.org/10.1109/iSemantic50169.2020.9234240

Sugianto, S., & Wibowo, F. (2015). Klasifikasi tingkat kematangan buah pepaya (Carica papaya L) California (Callina-IPB 9) dalam ruang warna hsv dan algoritma k-nearest neighbors. prosiding SENATEK, 335-341.

Susanto, A., Dewantoro, Z. H., Sari, C. A., Setiadi, D. R. I. M., Rachmawanto, E. H., dan Mulyono, I. U. W. (2020). Shallot quality classification using HSV color models and size identification based on naive bayes classifier. Journal of Physics: Conference Series, 1577(1). https://doi.org/10.1088/1742-6596/1577/1/012020

Vembandasamy, K., Sasipriya, R., & Deepa, E. (2015). Heart diseases detection using Naive Bayes algorithm. International Journal of Innovative Science, Engineering & Technology, 2(9), 441-444. https://www.ijiset.com/vol2/v2s9/IJISET_V2_I9_54.pdf

Whidhiasih, R. N., Guritman, S., & Suprio, P. T. (2012). Klasifikasi kematangan buah manggis ekspor dan lokal berdasarkan warna dan tekstur menggunakan fuzzy neural network. Jurnal Ilmu Komputer dan Agri-Informatika, 1(2), 71-77. https://doi.org/10.29244/jika.1.2.71-77

Widiastuti, A., Sobir, S., & Suhartanto, M. R. (2013). Analisis keragaman genetik manggis (Garcinia mangostana) diiradiasi dengan sinar gamma berdasarkan penanda ISSR. Asian Journal of Tropical Biotechnology, 10(1), 15-22. https://doi.org/10.13057/biotek/c100103

DOI: https://doi.org/10.21831/pythagoras.v17i2.53625