IMPLEMENTASI ALGORITMA NAÏVE BAYES DALAM PREDIKSI TINGKAT KEMATANGAN JERUK NIPIS

IMPLEMENTASI ALGORITMA NAÏVE BAYES DALAM PREDIKSI TINGKAT KEMATANGAN JERUK NIPIS

• By Dzahkwan, Hilmi Atha;
• Jurnal
• 10

Penelitian ini bertujuan mengimplementasikan model Naïve Bayes untuk memprediksi tingkat kematangan jeruk nipis menggunakan teknik machine learning berbasis pengolahan citra. Kematangan jeruk nipis adalah faktor penting bagi petani dan industri dalam menentukan kualitas serta efisiensi produksi. Data diperoleh dari 104 gambar jeruk nipis yang diambil menggunakan kamera smartphone pada jarak 20 cm, kemudian dikategorikan ke dalam dua kelas, yaitu mentah dan matang. Gambar-gambar ini dibagi menjadi data latih dan data uji dengan rasio 80:20, menghasilkan 83 data latih dan 21 data uji. Fitur-fitur utama diekstraksi dengan mengonversi nilai RGB menjadi HSI, serta menggunakan distribusi Gaussian untuk analisis warna. Model Naïve Bayes kemudian diterapkan untuk menghitung akurasi prediksi. Evaluasi kinerja model dilakukan menggunakan confusion matrix yang menghasilkan metrik seperti akurasi, presisi, recall, F1-Score, dan support. Hasil penelitian menunjukkan bahwa model Naïve Bayes berhasil mencapai akurasi sebesar 90% dalam memprediksi kematangan jeruk nipis. Penelitian ini mengindikasikan bahwa model Naïve Bayes adalah alat yang efektif untuk membantu petani dan industri dalam menentukan waktu panen yang optimal, sehingga dapat meningkatkan kualitas dan efisiensi produksi jeruk nipis secara keseluruhan.

• Katakunci Naive Bayes, Prediksi Tingkat Kematangan, Jeruk Nipis, Pengolahan Citra, RGB To HSI
• URL https://repository.bsi.ac.id/repo/files/420703/download/06-Jurnal.pdf
• Penerbit JATISI (JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI),

REFERENSI

[1]         M. Silalahi, “Pemanfaatan Citrus aurantifolia (Christm. et Panz.) sebagai Bahan Pangan dan Obat serta Bioaktivitas,” Sainmatika J. Ilm. Mat. dan Ilmu Pengetah. Alam, vol. 17, no. 1, p. 80, 2020, doi: 10.31851/sainmatika.v17i1.3637.

[2]         Badan Pusat Statistik, “Produksi Tanaman Buah-buahan, 2021-2022,” JAKARTA, 2023. [Online]. Available: https://www.bps.go.id/id/statistics-table/2/NjIjMg==/produksi-tanaman-buah-buahan.html

[3]         R. T. Pertanian, “Rona Teknik Pertanian, 17 (1) April 2024,” vol. 17, no. April, pp. 10–23, 2024.

[4]         C. Paramita, E. Hari Rachmawanto, C. Atika Sari, and D. R. Ignatius Moses Setiadi, “Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 1–6, 2019, doi: 10.30591/jpit.v4i1.1267.

[5]         R. K. Haba and K. C. Pelangi, “Pengelompokan Buah Jeruk menggunakan Naïve Bayes dan Gray Level Co-occurrence Matrix,” Ilk. J. Ilm., vol. 12, no. 1, pp. 17–24, 2020, doi: 10.33096/ilkom.v12i1.494.17-24.

[6]         M. Afriansyah, J. Saputra, Y. Sa’adati, and Valian Yoga Pudya Ardhana, “Optimasi Algoritma Nai?ve Bayes Untuk Klasifikasi Buah Apel Berdasarkan Fitur Warna RGB,” Bull. Comput. Sci. Res., vol. 3, no. 3, pp. 242–249, 2023, doi: 10.47065/bulletincsr.v3i3.251.

[7]         T. Putri Ananda, S. Viola Widyasari, M. Ihsan Muttaqin, and A. Stefanie, “Identifikasi Tingkat Kematangan Buah Pepaya Menggunakan Metode Convolutional Neural Network (Cnn),” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 2094–2097, 2023, doi: 10.36040/jati.v7i3.7137.

[8]         M. Drs. Mohamad Jawal Anwarudin Syah, E-BOOK LOW Menggapai Laba dari budidaya Jeruk Nipis, no. October. Klaten: Nasmedia, 2023.

[9]         G. Firmansyah and A. Hermawan, “Implementasi Algortima Naive Bayes Untuk Klasifikasi Kesegaran Buah Jeruk,” J. Inform., vol. 10, no. 2, pp. 180–184, Oct. 2023, doi: 10.31294/inf.v10i2.16115.

[10]       R. Widodo et al., “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu,” 2018. [Online]. Available: http://j-ptiik.ub.ac.id