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

Randy Agustyo Raharjo (Telkom University)
Sidik Prabowo (Telkom University)
Aji Gautama Putrada (Telkom University)

eProceedings of Engineering
Vol 6, No 2 (2019): Agustus 2019

AbstrakMetode alternatif untuk mengklasifikasi jenis buah masih banyak dilakukan terutama pada image prosesingyang berdampak pada bidang industri, pengelompokan jenis buah yang dilakukan bertujuan mempermudahproses penyortiran berdasarkan bentuk dan ukuran buah. Model fuzzy merupakan salah satumetode yang dapat digunakan untuk menentukan klasifikasi jenis buah. Model fuzzy mempunyai konsepmatematis yang didasari penalaran fuzzy. Penelitian ini bertujuan untuk mengaplikasikan model fuzzy dalamklasifikasi jenis buah dan mendeskripsikan tingkat keakuratannya dengan algorithma ANFIS. Prosesyang dilakukan adalah mengubah tipe gambar buah dari tipe red green blue (RGB) ke tipe grayscale yangdigunakan sebagai data penelitian. Selanjutnya dilakukan ekstraksi mengunakan bantuan MATLAB untukmemperoleh informasi dari gambar. Informasi dari gambar yaitu contrast, correlation, energy, homogeneity,metric, dan eccentic. Terdapat enam informasi yang digunakan sebagai input model fuzzy. Input modelfuzzy menggunakan fungsi keanggotaan segitiga untuk membangun aturan fuzzy pada 64 data training,sehingga terdapat 64 aturan fuzzy. Setelah aturan fuzzy diperoleh selanjutnya dilakukan proses inferensidan defuzzifikasi. Hasil defuzzifikasi merupakan nilai untuk buah yang dibagi menjadi delapan kategoriyaitu Salak, Rambutan, Alpukat, Jeruk, Jeruk Lemon, Jeruk Nipis, Manggis dan Pear Jambu. Model fuzzyyang telah dibangun dilakukan pengujian model dengan cara menentukan tingkat keakuratan dan errordari model tersebut. Tingkat keakuratan untuk data testing 75%.Kata kunci : ANFIS, Ekstraksi Fitur, Fuzzy Logic, Image Processing.AbstractFuzzy model is one method that can be used to determine the classification of fruit types. Fuzzy models havemathematical concepts based on fuzzy reasoning. This study aims to apply fuzzy models in the classificationof fruit types and describe the level of accuracy, with ANFIS Algorithm. The process carried out is to changethe type of fruit image from the red green blue (RGB) type to the grayscale type used as research data. Thenextraction is done using MATLAB help to obtain information from the image. Information from images arecontrast, correlation, energy, homogeneity, metric, and eccentric. There are six information that are usedas input fuzzy models. Fuzzy model input uses the triangle membership function to construct fuzzy rules on27 training data, so there are 36 fuzzy rules. After the fuzzy rule is obtained, the next process is inferenceand defuzzification. Defuzzification results are values for fruit which are divided into four categories, namelysalak (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 levelof accuracy and error of the model. The accuracy level for data testing is 75 %.Keywords: ANFIS, Feature Extraction, Fuzzy Logic, Image Processing.