Perancangan sistem penentu kualitas tomat dengan Artificial Neural Network

Abstract

Tomat (Solanum lyr.oper,icum) adalah buah dengan komoditas penting karena pemanfaatannya di bidang makanan, bidang kosmetik dan obat-obatan. Oleh sebab itu kualitas tomat perlu dijaga dengan baik. Penentuan kualitas tomat biasanya ditentukan dari adanya kecacatan pada kulitnya. Cacat yang dapat dialami tomat dapat berupa robekan pada kulitnya dan adanya kebusukan pada buah tersebut, selama ini penetuan kualitas dilakukan oleh petugas. Inspeksi tersebut dapat dikembangkan menjadi sistem otomasi untuk memudahkan penentuan kualitas tomat. Sistem otomasi yang sudah ada hanya dapat melakukan penilaian terhadap 1 gambar. Agar penilaian lebih sesuai dengan kondisi tomat, maka penilaian untuk lebih satu gambar dibuat pada penelitian ini. Agar otomasi tersebut dapat berjalan diperlukan sistem yang memiliki kepintaran buatan artificial intelligence. Artificial intelligence yang digunakan pada sitem ini adalah kepintaran jaringan buatan atau ANN (Artificial Neuml Network). ANN yang dibuat pada penelitian ini dibuat menjadi dua moder berdasarkan training yang diberikan. Setelah trained model dibuat, dilakukan verifikasi model menggunakan dataset yang tidak ada pada training set. Model Pertama melakukan penilaian terhadap buah tomatdan model kedua melakukan penilaian terhadap gambar tombat yang digabungkan dengan logika AND. Diberikan 40 buah tomat dimana 30 buah digunakan untuk training dan 10 lainnya untuk verifikasi. Model pertama memiliki kekurasian 90% terhadap data training namun memiliki keakurasian 70% terhadap dataset diluar training set. Model kedua memiliki keakurasian 86% terhadap terhadap training setn namun memiliki keakurasian 80% terhadap dataset diluar training set. Kedua model tersebut juga akan melakukan pengujian terhadap dataset yang gambarnya tidak lengkap yaitu data tidak lengkap yang diisi dengan gambar hitam dan data tidak lengkap yang memiliki replikasi salah satu gambar sisi tomat. Hasilnya kedua model tidak dapat melakukan penilaian yang sesuai terhadap gambar sisi tomat. Hasilnya kedua model tidak dapat melakukan penilaian yang sesuai terhadap gambar hitam. Lalu untuk dataset dengan replikais kedua model dapat melakukan penilaian dengan keakurasian 90% untuk model pertama dan keakurasian 100% untuk model kedua.