Klasifikasi Tingkat Kualitas Terung dengan Algoritma Backpropagation Berbasis Fitur Warna dan Tekstur

Abstrak

Penilaian kualitas terung secara manual sering kali tidak konsisten, membutuhkan waktu yang lama, serta rentan terhadap kesalahan akibat kelelahan pekerja. Penelitian ini bertujuan mengembangkan sistem otomatis berbasis pengolahan citra digital untuk menilai kualitas terung secara efisien dan akurat. Tahapannya dimulai dengan pengambilan citra menggunakan perangkat handphone yang dirancang untuk memastikan pencahayaan stabil dan latar belakang seragam. Citra yang diperoleh kemudian diproses melalui segmentasi menggunakan metode thresholding Otsu serta operasi morfologi untuk memisahkan objek utama dari latar belakang. Fitur warna dan tekstur diekstraksi melalui analisis Gray-Level Co-occurrence Matrix (GLCM) dan ruang warna RGB, HSV, serta LAB. Data pelatihan sebesar 90% dari total dataset digunakan untuk melatih model klasifikasi berbasis jaringan saraf tiruan dengan algoritma backpropagation, sementara 10% sisanya digunakan untuk pengujian. Hasil eksperimen menunjukkan bahwa kombinasi fitur LAB, RGB, HSV, dan tekstur memberikan hasil terbaik, dengan akurasi pengujian sebesar 86%, recall 85%, dan precision 92%. Model ini sangat efektif mendeteksi terung berkualitas buruk dengan akurasi 100%. Sistem ini dapat mendukung penerapan teknologi di sektor hortikultural.