Identifikasi Tingkat Kematangan Buah Stroberi Menggunakan Extreme Learning Machine

Abstract

Strawberry is an introduced herbaceous, low-growing plant that has high economic value. The commodity development of this red-colored fruit can be categorized as one of the largest sources of income on agricultural sector in Indonesia. One of the conditions to improve the quality of strawberries is to harvest strawberries at the right level, because strawberry is non-climacteric fruit; fruit that will not continue to ripen after harvest. One of the ways to determine the quality of fruit maturity is by physically checking the fruit, namely by looking at the shape, size and color of the strawberry. This means that identification is still manually executed by humans. This is definitely a weakness in terms of time and also this is heavily influenced by the subjectivity of humans who harvest the fruit, so the identification process is inconsistent and human error can also occur. Therefore, a system that is able to identify the ripeness level of strawberries is needed. This study uses Extreme Learning Machine as the identification method. On the processing stage, strawberry image is used as input. Before the image is identified, the image goes through a pre-processing stage; starts from resizing and grayscaling, then feature extraction is used with Gray Level Co-occurrence Matrix method. The image is then identified using the Extreme Learning Machine. The study uses 600 datas, which the 480 are used for data training and the 120 are used for data testing. Based on the test result on the study, the system is able to identify the strawberry ripeness level with accuracy of 93.33%.

Stroberi merupakan tanaman herba tanah rendah yang memiliki nilai ekonomi yang tinggi. Pengembangan komoditas buah berwarna merah ini bisa dikategorikan salah satu sumber pendapatan terbesar pada bagian pertanian di Indonesia. Salah satu syarat untuk meningkatkan kualitas stroberi adalah memanen stroberi pada tingkat kematangan yang tepat, karena stroberi termasuk buah non-climateric, yaitu buah yang tidak akan matang setelah dipetik. Penentuan mutu kematangan buah ini salah satunya dilakukan dengan pengecekan fisik buah, yaitu menilik bentuk, ukuran dan warna stroberi. Artinya, pengidentifikasian masih dilakukan secara manual oleh manusia. Tentunya hal tersebut menjadi suatu kelemahan dalam sisi waktu dan hal ini juga sangat dipengaruhi oleh subjektivitas manusia yang memetik buah tersebut, sehingga proses pengidentifikasian masih tergolong tidak konsisten dan human error juga dapat terjadi. Karena itulah, dibutuhkan suatu sistem yang mampu mengidentifikasi tingkat kematangan stroberi. Penelitian ini menggunakan metode Extreme Learning Machine sebagai metode identifikasinya. Pada proses pengolahan, citra stroberi digunakan sebagai input. Sebelum citra diidentifikasi, citra akan melalui tahap pre-processing dimulai dari resizing dan grayscaling, kemudian ekstraksi fitur dilakukan dengan menggunakan metode Gray Level Co-occurrence Matrix. Citra lalu diidentifikasi menggunakan Extreme Learning Machine. Penelitian ini menggunakan 600 data, dimana 480-nya adalah untuk training data dan 120-nya adalah untuk testing data. Berdasarkan hasil pengujian penelitian ini, sistem dapat mengidentifikasi tingkat kematangan stroberi dengan akurasi sebesar 93.33%.