PEMUTUAN JERUK MANIS (Citrus sinensis (L.) Osbeck) MENGGUNAKAN PENGOLAHAN CITRA DIGITAL BERBASIS JARINGAN SYARAF TIRUAN

Abstract

Penanganan pasca panen jeruk manis perlu diperhatikan untuk meningkatkan kualitas produk salah satunya adalah pemutuan. Pemutuan jeruk manis di Indonesia selama ini masih dilakukan secara manual. Pemutuan secara manual memiliki kekurangan, diantaranya menghasilkan produk sortasi yang beragam dan perbedaan persepsi mutu produk hasil pemutuan karena unsur subyektifitas. Berdasarkan hal tersebut, diperlukan suatu metode yang dapat menggolongkan mutu jeruk manis secara efektif dan efisien. Pengolahan citra merupakan salah satu alternatif untuk mengatasi hal tersebut. Penelitian pemutuan jeruk manis menggunakan pengolahan citra dengan model persamaan logika telah dilakukan dan menghasilkan akurasi total program pemutuan sebesar 85%. Berdasarkan hasil penelitian tersebut, dilakukan penelitian lebih lanjut tentang pemutuan jeruk manis menggunakan jaringan syaraf tiruan (JST) untuk menggantikan model persamaan logika dengan tujuan meningkatkan akurasi. Sampel yang digunakan dalam penelitian ini adalah citra jeruk manis dari penelitian Fikri (2015). 260 buah sampel citra jeruk manis terbagi menjadi empat kelas mutu, yaitu super, A, B, dan reject. Pada masing-masing kelas terdapat 50 sampel untuk data training dan 15 sampel untuk data testing. Citra jeruk manis diolah untuk mendapatkan tujuh variabel mutu citra, yaitu area, tinggi, diameter, perimeter, indeks r, indeks g, dan area cacat menggunakan program pengolahan citra. Variabel mutu citra yang sesuai dengan kriteria mutu buah akan digunakan sebagai input pada pelatihan JST dengan metode backpropagation. Enam variasi JST yang digunakan untuk pelatihan JST yaitu variasi JST dengan dua metode normalisasi data (minmax dan z-score) dan jumlah node lapisan tersembunyi (10,15, dan 20). Pelatihan JST dilakukan menggunakan 200 buah data training. Bobot-bobot hasil pelatihan variasi JST digunakan pada propagasi maju untuk menduga kelas mutu 60 buah data testing. Variasi JST terbaik ditentukan berdasarkan hasil validasi. Algoritma hasil pelatihan variasi JST terbaik kemudian diintegrasikan pada program pengolah citra jeruk manis, sehingga secara otomatis program dapat menduga kelas mutu jeruk manis. Semua variabel mutu citra digunakan sebagai input JST. Variasi JST terbaik adalah variasi dengan metode normalisasi z-score dan 15 node lapisan tersembunyi, memiliki tingkat akurasi prediksi paling tinggi. Program pemutuan jeruk manis memiliki tingkat akurasi sebesar 98,39%. Hasil penelitian menunjukkan program yang dibangun dengan JST memiliki tingkat akurasi lebih tinggi.