KLASIFIKASI KUALITAS CITRA CABAI DENGAN MENGGUNAKAN ALGORITMA GRADIEN BOOSTING

  • Umi Mahdiyah Universitas Nusantara PGRI Kediri
  • Lilia Sinta Wahyuniar Universitas Nusantara PGRI Kediri
  • Siti Rochana Universitas Nusantara PGRI Kediri
https://doi.org/10.46510/jami.v4i1.137
Abstract views: 125 , PDF downloads: 75
Keywords: klasifikasi, kualitas cabai, gradien boosting

Abstract

Objektif.   Kementerian Pertanian Indonesia memiliki tujuan untuk meningkatkan penggunaan teknologi oleh petani dengan target 65-80% pada tahun 2020 dan 80-95% pada tahun 2024. Hal ini diharapkan dapat meningkatkan efisiensi dan ekonomi dalam sektor pertanian yang merupakan sektor penting dalam perekonomian Indonesia. Salah satu upaya untuk mencapai hal tersebut adalah dengan melakukan klasifikasi kualitas cabai berbasis citra.

Material and Metode.  Dalam penelitian ini algoritma Gradien Boosting digunakan untuk melakukan klasifikasi citra cabai. Untuk simulasinya menggunakan aplikasi python.

Hasil.  Rata-rata performa dari Gradient Boosting cukup baik untuk klasifikasi kualitas cabai berbasis citra. Akan tetapi pada kasus kelas “dried” selalu ada perbedaan dibandingkan kelas lain, karena banyak datanya jauh lebih besar dibandingkan yang lain, serta vasriasi data citranya lebih banyak.

Kesimpulan.  Performa dari Gradien boosting cukup baik untuk klasifikasi kualitas cabai dengan  nilai precision, recall, F-Score dan akurasinya adalah sekitar 69,7%, 69,1% 69,7%, dan 76%

Downloads

Download data is not yet available.

References

Aziz, Maslina Abdul, Wan Muhammad Arif Mohamad Nazir, Azliza Mohd Ali, dan Jemal Abawajy. 2021. “Chili Ripeness Grading Simulation Using Machine Learning Approach.” Dalam 2021 IEEE International Conference on Computing (ICOCO), , 253–58.
Kementerian Pertanian. 2020. Keputusan Menteri Pertanian Republik Indonesia No. 259/Kpts/RC.020/-M/05/2020 tentang Rencana Strategis Kementerian Pertanian tahun 2020‒2024. Indonesia: https://rb.pertanian.go.id/upload/file/RENSTRA%20KEMENTAN%202020-2024%20REVISI%202%20(26%20Agt%202021).pdf.
Kumar, Kamarthi Lava, dan B Eswara Reddy. 2021. “Heart Disease Detection System Using Gradient Boosting Technique.” Dalam 2021 International Conference on Computing Sciences (ICCS), , 228–33.
Naik, B Nageswararao, R Malmathanraj, dan P Palanisamy. 2022. “Detection and classification of chilli leaf disease using a squeeze-and-excitation-based CNN model.” Ecological Informatics 69: 101663. https://www.sciencedirect.com/science/article/pii/S1574954122001121.
Perlindungan, Ilyas. 2020. PENGENALAN TANAMAN CABAI DENGAN TEKNIK KLASIFIKASI MENGGUNAKAN METODE CNN.
Purwaningsih, Tuti, Imania Ayu Anjani, dan Pertiwi Bekti Utami. 2018. “Convolutional Neural Networks Implementation for Chili Classification.” Dalam 2018 International Symposium on Advanced Intelligent Informatics (SAIN), , 190–94.
Saptana, NFN, Chaerul Muslim, dan Sri Hery Susilowati. 2018. “Manajemen Rantai Pasok Komoditas Cabai pada Agroekosistem Lahan Kering di Jawa Timur.” Analisis Kebijakan Pertanian 16(1): 19.
Suryawanshi, Yogesh, Kailas Patil, dan Prawit Chumchu. 2022. “VegNet: Dataset of vegetable quality images for machine learning applications.” Data in Brief 45.
Vidhyasree, M, dan R Parameswari. 2021. “Meta Learning Gradient Boosted Neural Network Model Based Diabetes Risk Prediction with Bias Reduction Using OCT Image Attributes.” Dalam 2021 6th International Conference on Communication and Electronics Systems (ICCES), , 1188–95.
Published
2023-06-30

PlumX Metrics

How to Cite
Mahdiyah, U., Wahyuniar, L. S., & Rochana, S. (2023). KLASIFIKASI KUALITAS CITRA CABAI DENGAN MENGGUNAKAN ALGORITMA GRADIEN BOOSTING. JAMI: Jurnal Ahli Muda Indonesia, 4(1), 58 - 66. https://doi.org/10.46510/jami.v4i1.137
Issue
Vol. 4 No. 1 (2023): Juni 2023
Section
Articles

Copyright (c) 2023 Umi Mahdiyah

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Authors who publish with this journal agree to the following terms:
1. Copyright on any article is retained by the author(s).
2. The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
3. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
4. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License