Penentuan Tingkat Kematangan Cabe Rawit (Capsicum frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix

  • Zilvanhisna Emka Fitri Politeknik Negeri Jember, Indonesia
  • Ully Nuhanatika Politeknik Negeri Jember, Indonesia
  • Abdul Madjid Politeknik Negeri Jember, Indonesia
  • Arizal Mujibtamala Nanda Imron Universitas Jember, Indonesia
Keywords: cabai rawit; GLCM; backpropagation

Abstract

The demand for cayenne pepper in Indonesia tends to increase annually, but the productivity of cayenne pepper continues to decline and depends on the changing seasons. One of the factors that must be considered in the harvest of cayenne pepper is the level of maturity. This research aims to classify the maturity level of cayenne pepper using the extraction of color and texture features. The extraction of features based on the color is taken from the mean saturation value, while the extraction of feature-based textures uses the value of the Gray Level Co-Occurrence Matrix (GLCM) feature ASM (Angular Second Moment), contrast, IDM (Inverse Difference (Entropy) and correlation (Correlation) then using angles of 0 ° and 45 °. These features become input in the classification process using the Backpropagation method. The results of the system training are able to classify the level of maturity of cayenne pepper with an accuracy of 81.4% and an accuracy of the testing process of 74.2%.

Permintaan cabai rawit di Indonesia cenderung meningkat setiap tahunnya, namun produktivitas cabai rawit terus menurun dan bergantung pada pergantian musim. Salah satu faktor yang harus diperhatikan dalam panen cabai rawit adalah tingkat kematangan. Penelitian ini bertujuan untuk melakukan klasifikasi tingkat kematangan cabai rawit menggunakan ekstraksi fitur warna dan tekstur. Ekstraksi fitur berdasarkan warna diambil dari nilai mean saturasi, sedangkan ekstraksi fitur berdasarkan tekstur menggunakan nilai fitur Gray Level Co-occurrence Matrix (GLCM) yaitu ASM (Angular Second Moment), Kontras (Contrast), IDM (Inverse Difference Momentum), Entropi (Entropy) dan Korelasi (Correlation) dan menggunakan sudut 0° dan 45°. Fitur-fitur tersebut menjadi masukan pada proses klasifikasi menggunakan metode Backpropagation. Hasil pelatihan sistem mampu mengklasifikasi tingkat kematangan cabai rawit dengan akurasi sebesar 81,4% dan akurasi proses pengujian cabai rawit sebesar 74,2%.

Published
2020-06-09
Section
Articles