Klasifikasi Kematangan Buah Ceri (Image Processing) Dengan Python OpenCV
Keywords:
Pemisahan Objek, OpenCV, Buah Ceri, Pengolahan Citra Digital, Segmentasi Warna, KlasifikasiAbstract
Penelitian ini bertujuan untuk mengembangkan metode pemisahan objek pada gambar buah ceri menggunakan OpenCV, dengan fokus pada identifikasi dan klasifikasi buah ceri yang matang (berwarna merah) dan yang tidak matang (berwarna hijau). Teknologi pengolahan citra digital, khususnya melalui OpenCV, digunakan untuk memproses dan menganalisis gambar buah ceri guna memisahkan kedua jenis buah berdasarkan warna. Metodologi penelitian ini mencakup beberapa tahap utama: akuisisi citra, pra-pemrosesan, segmentasi, dan klasifikasi. Pada tahap akuisisi, gambar-gambar buah ceri diambil dalam kondisi pencahayaan yang terkendali. Tahap pra-pemrosesan melibatkan peningkatan kualitas gambar dengan teknik filtering dan penyesuaian kontras. Selanjutnya, segmentasi dilakukan menggunakan konversi ruang warna dari RGB ke HSV untuk memudahkan isolasi warna merah dan hijau. Masking dan thresholding diaplikasikan untuk memisahkan objek berdasarkan rentang warna yang telah ditentukan. Hasil penelitian menunjukkan bahwa metode yang dikembangkan dapat memisahkan buah ceri yang matang dan tidak matang dengan tingkat akurasi yang tinggi. Buah ceri matang yang berwarna merah dapat diidentifikasi dan dipisahkan secara efektif dari buah yang tidak matang berwarna hijau. Temuan ini berpotensi untuk diterapkan dalam sistem otomatis pemilahan buah pada industri pertanian, meningkatkan efisiensi dan akurasi dalam proses sortasi buah berdasarkan tingkat kematangan.
References
Wardani, Lidia. 2020. “KLASIFIKASI JENIS DAN KEMATANGAN BUAH PEPAYA BERDASARKAN FITUR WARNA, TEKSTUR, DAN BENTUK MENGGUNAKAN SUPPORT VECTOR MACHINE”. Usulan tugas akhir. Mataram: Universitas Mataram.
P. Rosyani, “Deteksi Citra Bunga Menggunakan Analisis Segmentasi Fuzzy C-Means dan Otsu Threshold,” vol. 20, no. 1, 2020.
P. Rosyani and O. Hariansyah, “Pengenalan Citra Bunga Menggunakan Segmentasi Otsu Threshold dan Naïve Bayes,” pp. 1–7, 2020.
P. Rosyani, M. Taufik, A. A. Waskita, and D. H. Apriyanti, “Comparison of color model for flower recognition,” in 2018 3rd International Conference on Information Technology, Information System and Electrical Engineering (ICITISEE), 2019, pp. 10–14.
Siswanto, Irwan. & Utami, Ema. & Raharjo Suwanto. 2020. KLASIFIKASI TINGKAT KEMATANGAN BUAH BERDASARKAN WARNA DAN TEKSTUR MENGGUNAKAN METODE K-NEARST NEIGHBOR DAN NEAREST MEAN CLASSIFIER (NMC). Jurnal Teknologi Informasi dan Komunikasi, 10(1), 93-101.
Learning, Rosalina, Ardi Wijaya, (2020). Pendeteksian Penyakit pada Daun Cabai denganMenggunakan Metode Deep.
Abdul Lateef Haroon P.S., Premachand D.R. (2021) Effective Human Activity RecognitionApproachusing Machine Learning,
Ramadhansyah, Dimas Setyawan, Kurniawardhani, Arrie. (2021). Penelitian Deteksi Pelat Nomor Kendaraan: Kajian Pustaka. Yogyakarta : Universitas Islam Indonesia
Kaur, A., & Singh, D. (2020). Image Processing and Machine Learning Techniques for Fruit and Vegetable Classification—A Review. IEEE Access, 8, 117985-118000.
Patil, S. P., & Belorkar, A. B. (2023). Maturity Classification of Papaya Fruit Using Deep Learning Techniques. Journal of Food Engineering, 265, 109771.
Kumar, A., Sharma, R., & Singh, M. (2022). Deep Learning Approach for Fruit Maturity Detection and Classification. Neural Computing and Applications, 34(1), 299-310.
