Klasifikasi Otomatis Citra Buah Menggunakan Ekstraksi Fitur HSV, Segmentasi Morfologi, Dan Extreme Learning Machine
DOI:
https://doi.org/10.62375/5w1hn437Keywords:
Klasifikasi Citra, HSV, Segmenetasi Morfologi, Thresholding, Extreme Learming MachineAbstract
Pengolahan citra digital telah menjadi pendekatan yang efektif dalam sistem klasifikasi objek visual, termasuk klasifikasi buah. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis citra buah menggunakan metode Extreme Learning Machine (ELM) dengan ekstraksi fitur warna berbasis ruang warna HSV dan segmentasi citra melalui operasi morfologi. ELM dipilih karena keunggulannya dalam kecepatan pelatihan dan kemampuannya menangani data non-linear secara efisien. Proses dimulai dengan akuisisi citra buah dari dataset yang terdiri atas tiga kelas: semangka, nanas, dan apel. Citra kemudian dipra-proses dan dikonversi dari ruang warna RGB ke HSV. Segmentasi dilakukan menggunakan metode thresholding dan operasi morfologi untuk memisahkan objek utama dari latar belakang dan mengurangi noise. Fitur warna yang diekstraksi dari komponen H, S, dan V berupa nilai statistik seperti rata-rata dan standar deviasi, yang selanjutnya dijadikan input untuk model ELM. Hasil pengujian menunjukkan bahwa kombinasi metode ini mampu menghasilkan akurasi klasifikasi yang tinggi dengan waktu pelatihan yang lebih singkat dibanding metode konvensional. Pendekatan ini menunjukkan potensi besar untuk diterapkan dalam sistem identifikasi buah otomatis berbasis citra, baik untuk kebutuhan industri maupun aplikasi mobile cerdas.
References
[1] K. Ayuningsih, Y. A. Sari, and P. P. Adikara, “Klasifikasi Citra Makanan Meggunakan HSV Color Moment dan LBP dengan Naïve Bayes Classifier,” J. Pengemb. Teknol. Informasii dan Ilmu Komputier Univ. Brawijaya, vol. 3, no. 4, pp. 3166–3173, 2019.
[2] S. Widayati dan Ire Puspa Wardhani, “Analisa Segmentasi Warna Hsv Pada Citra Video Dengan Metode Threshold,” Semin. Nas. Teknol. Inf. dan Komun. STI&K, vol. 4, no. 1, pp. 339–345, 2020.
[3] P. Harnis, Y. A. Sari, and M. A. Rahman, “Segmentasi Citra Kue Tradisional menggunakan Otsu Thresholding pada Ruang Warna CIE LAB,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 6799–6808, 2019, [Online]. Available: http://j-ptiik.ub.ac.id
[4] D. L. Simangunsong and U. Asahan, “Segmentasi citra pada citra asli buah jeruk berdasarkan nilai thresholding,” vol. 4307, no. 1, pp. 751–756, 2025.
[5] M. S. Shahab, A. Junaidi, and A. N. Sihananto, “PLANKTON ALGORITMA HIBRIDA CONVOLUTIONAL NEURAL,” vol. 12, no. 3, 2024.
[6] U. R. Hidayah, I. Cholissodin, and P. P. Adikara, “Klasifikasi Penyakit Kanker Serviks dengan Extreme Learning Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 6575–6582, 2019, [Online]. Available: http://j-ptiik.ub.ac.id
[7] M. A. Al Ghifari, A. Panji Sasmito, and D. Rudhistiar, “Aplikasi Pendeteksian Kematangan Tomat Menggunakan Thresholding,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 1, pp. 294–300, 2022, doi: 10.36040/jati.v6i1.4606.
[8] M. S. Irwanto, F. A. Bachtiar, and N. Yudistira, “Klasifikasi Aktivitas Manusia Menggunakan Algoritme Computed Input Weight Extreme Learning Machine dengan Reduksi Dimensi Principal Component Analysis,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 6, pp. 1195–1202, 2022, doi: 10.25126/jtiik.2022965504.
[9] P. I. U. Paudi, M. T. Furqon, and Sutrisno, “Implementasi Metode Extreme Learning Machine ( ELM ) untuk Memprediksi Jumlah Debit Air yang Layak Didistribusi ( Studi Kasus : PDAM Kabupaten Gowa Makassar ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, pp. 733–739, 2020.
[10] K. Metode, E. Learning, and M. Elm, “Comparison of Extreme Learning Machine ( ELM ) and Multi-Support Vector Machine ( Multi-SVM ) Methods in Herbal Plants Identification,” vol. 21, no. 2, pp. 354–367, 2025, doi: 10.20956/j.v21i2.37107.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Devi Maryuni, Helda Andriany Darwis, Agung Ramadhanu
This work is licensed under a Creative Commons Attribution 4.0 International License.
