ESTIMASI BERAT DAN VOLUME SERTA IDENTIFIKASI KEMATANGAN BUAH PINANG BERBASIS PENGOLAHAN CITRA DIGITAL
DOI:
https://doi.org/10.35145/joisie.v10i1.5950Kata Kunci:
Buah Pinang, Pengolahan Citra Digital, Identifikasi Tingkat Kematangan, Estimasi Volume, Estimasi BeratAbstrak
Penelitian ini mengembangkan sistem pengolahan citra digital untuk mengestimasi berat dan volume serta mengidentifikasi tingkat kematangan buah pinang (Areca catechu L.) sebagai metode evaluasi pascapanen yang objektif, cepat, dan tidak merusak. Sebanyak 180 sampel buah pinang (90 buah mentah dan 90 buah matang) diperoleh menggunakan kamera DSLR dengan latar belakang putih dan diproses menggunakan MATLAB. Tahapan pengolahan citra meliputi konversi RGB ke skala keabuan, peningkatan kontras, deteksi tepi Sobel, operasi morfologi, serta ekstraksi fitur. Karakteristik geometris digunakan untuk pemodelan estimasi berat dan volume, sedangkan parameter warna CIELAB digunakan untuk menentukan tingkat kematangan buah. Buah matang menunjukkan nilai L* (40,18 ± 5,07) dan b* (43,28 ± 7,26) yang lebih tinggi dibandingkan buah mentah (32,45 ± 2,15 dan 25,16 ± 1,47). Buah mentah memiliki nilai a* yang lebih rendah (-6,12 ± 0,57), yang menunjukkan dominasi warna hijau yang lebih kuat. Model estimasi berat menghasilkan tingkat akurasi yang tinggi, yaitu mencapai 98,70% pada buah mentah dan 98,55% pada buah matang. Estimasi volume juga menunjukkan performa yang baik dengan akurasi 99,11% pada buah mentah dan 96,66% pada buah matang. Integrasi fitur warna dan geometris memungkinkan proses estimasi sifat fisik serta klasifikasi kematangan dilakukan secara bersamaan dengan tingkat akurasi yang tinggi, sehingga dapat menjadi solusi pendukung untuk otomatisasi proses pascapanen buah pinang.
Unduhan
Referensi
Balai Penerapan Standar Instrumen Pertanian Jambi. (2023, 9 November). Sosialisasi hasil identifikasi perbaikan cara penanganan pascapanen biji Pinang Betara. https://jambi.brmp.pertanian.go.id/berita/sosialisasi-hasil-identifikasi-perbaikan-cara-penanganan-pascapanen-biji-pinang-betara
Cahyadi, M. F., Syahputra, S., & Syari, M. A. (2022). Penerapan metode thresholding pada proses transformasi citra digital. Educate: Jurnal Ilmu Pendidikan dan Pengajaran, 1(3), 319–346. https://doi.org/10.56114/edu.v1i3.422
Chan, F. R., Yanti, R., & Ramadhanu, A. (2024). Peningkatan metode median filter untuk identifikasi dan akurasi jenis pisang emas dan pisang kapas. JOISIE (Journal of Information Systems and Informatics Engineering), 8(2), 314–322. https://doi.org/10.35145/joisie.v8i2.4767
Dhanesha, R., Umesha, D. K., Anitha, A. C., Shrinivasa Naika, C. L., & Sudhakar, H. R. (2023). Segmentation and classification of arecanut bunches before harvesting. International Journal on Recent and Innovation Trends in Computing and Communication, 11(9), 3953–3962. https://doi.org/10.17762/ijritcc.v11i9.9736
Ding, H., Zhou, G., Zhao, L., Li, X., Wang, Y., Xia, C., Xia, Z., & Wan, Y. (2023). Genome-wide association analysis of fruit shape-related traits in Areca catechu. International Journal of Molecular Sciences, 24(5), 4686. https://doi.org/10.3390/ijms24054686
Fitriyah, H. (2022). Accuracy of various methods to estimate volume and weight of symmetrical and non-symmetrical fruits using computer vision. Journal of ICT Research and Applications, 16(3), 210–225. https://doi.org/10.5614/itbj.ict.res.appl.2022.16.3.2
Qisthiano, M. R., & Pratiwi, A. O. (2025). Deteksi tepi pada citra objek benda menggunakan algoritma Sobel dan Prewitt dengan Python. Jurnal Informatika dan Teknik Elektro Terapan, 13(2), 1115–1122. https://doi.org/10.23960/jitet.v13i2.6407
Rangani, S. C., Marapana, R. A. U. J., Senanayake, G. S. A., Perera, P. R. D., Pathmalal, M. M., & Amarasinghe, H. K. (2023). Correlation analysis of phenolic compounds, antioxidant potential, oxygen radical scavenging capacity, and alkaloid content in ripe and unripe Areca catechu from major cultivation areas in Sri Lanka. Applied Food Research, 3(2), 100361. https://doi.org/10.1016/j.afres.2023.100361
Sarimole, F. M., & Rosiana, A. (2022). Classification of maturity levels in areca fruit based on HSV image using the KNN method. Journal of Applied Engineering and Technological Science (JAETS), 4(1), 64–73. https://doi.org/10.37385/jaets.v4i1.951
Seneng, I. K., Adnyana, I. M. B., Putra, I. M. A. W., & Suwirmayanti, N. L. G. P. (2024). Studi pembanding edge detection metode Sobel dan Prewitt pada citra rontgen menggunakan software MATLAB. Jurnal Eksplora Informatika, 13(2), 175–187. https://doi.org/10.30864/eksplora.v13i2.1033
Tukan, S. B., Weking, A. N., & Watomakin, D. B. (2025). Optimalisasi parameter K dalam algoritma K-Nearest Neighbor untuk klasifikasi kematangan buah pinang berdasarkan fitur tekstur dan warna. Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, 5(2), 72–83. https://doi.org/10.55606/teknik.v5i2.7405
Umesha, D. K., Venkata Krishna, J., Dhanesha, R., Hiremath, G. S., & Narendra Kumar, S. (2024). Deep learning for arecanut maturity assessment: A comparative analysis of fine-tuned CNN models in RGB, saturation, and grayscale domains. International Journal of Intelligent Systems and Applications in Engineering, 12(22s), 2038–2046. https://www.ijisae.org/index.php/IJISAE/article/view/7457
Yanto, F., Agustina, A., Budianita, E., Iskandar, I., & Syafria, F. (2024). Klasifikasi penyakit tanaman padi menggunakan arsitektur DenseNet-121 dan augmentasi data. JOISIE (Journal of Information Systems and Informatics Engineering), 8(1), 124–134. https://doi.org/10.35145/joisie.v8i1.4256
Zhang, X., Gao, Q., Long, Y., Zhang, G., & He, Y. (2026). Lightweight real-time strawberry volume estimation based on instance segmentation and principal-axis slicing. Agriculture, 16(13), 1443. https://doi.org/10.3390/agriculture16131443
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 JOISIE (Journal Of Information Systems And Informatics Engineering)
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
