Klasifikasi Jenis Buah Menggunakan Adaptive Neuro-fuzzy Inference System (anfis) Dan Image Processing

Abstract

Abstrak
Metode alternatif untuk mengklasiï¬kasi jenis buah masih banyak dilakukan terutama pada image prosesing
yang berdampak pada bidang industri, pengelompokan jenis buah yang dilakukan bertujuan mempermudah
proses penyortiran berdasarkan bentuk dan ukuran buah. Model fuzzy merupakan salah satu
metode yang dapat digunakan untuk menentukan klasiï¬kasi jenis buah. Model fuzzy mempunyai konsep
matematis yang didasari penalaran fuzzy. Penelitian ini bertujuan untuk mengaplikasikan model fuzzy dalam
klasiï¬kasi jenis buah dan mendeskripsikan tingkat keakuratannya dengan algorithma ANFIS. Proses
yang dilakukan adalah mengubah tipe gambar buah dari tipe red green blue (RGB) ke tipe grayscale yang
digunakan sebagai data penelitian. Selanjutnya dilakukan ekstraksi mengunakan bantuan MATLAB untuk
memperoleh informasi dari gambar. Informasi dari gambar yaitu contrast, correlation, energy, homogeneity,
metric, dan eccentic. Terdapat enam informasi yang digunakan sebagai input model fuzzy. Input model
fuzzy menggunakan fungsi keanggotaan segitiga untuk membangun aturan fuzzy pada 64 data training,
sehingga terdapat 64 aturan fuzzy. Setelah aturan fuzzy diperoleh selanjutnya dilakukan proses inferensi
dan defuzziï¬kasi. Hasil defuzziï¬kasi merupakan nilai untuk buah yang dibagi menjadi delapan kategori
yaitu Salak, Rambutan, Alpukat, Jeruk, Jeruk Lemon, Jeruk Nipis, Manggis dan Pear Jambu. Model fuzzy
yang telah dibangun dilakukan pengujian model dengan cara menentukan tingkat keakuratan dan error
dari model tersebut. Tingkat keakuratan untuk data testing 75%.
Kata kunci : ANFIS, Ekstraksi Fitur, Fuzzy Logic, Image Processing.
Abstract
Fuzzy model is one method that can be used to determine the classiï¬cation of fruit types. Fuzzy models have
mathematical concepts based on fuzzy reasoning. This study aims to apply fuzzy models in the classiï¬cation
of fruit types and describe the level of accuracy, with ANFIS Algorithm. The process carried out is to change
the type of fruit image from the red green blue (RGB) type to the grayscale type used as research data. Then
extraction is done using MATLAB help to obtain information from the image. Information from images are
contrast, correlation, energy, homogeneity, metric, and eccentric. There are six information that are used
as input fuzzy models. Fuzzy model input uses the triangle membership function to construct fuzzy rules on
27 training data, so there are 36 fuzzy rules. After the fuzzy rule is obtained, the next process is inference
and defuzziï¬cation. Defuzziï¬cation results are values for fruit which are divided into four categories, namely
salak (S. zalacca), rambutan (N. lappaceum), avocado (P. americana), oranges (Citrus), lemon, lime,
mangosteen and pear packham. The fuzzy model that has been built will be tested by determining the level
of accuracy and error of the model. The accuracy level for data testing is 75 %.
Keywords: ANFIS, Feature Extraction, Fuzzy Logic, Image Processing.