Metode Pengumpulan Data Pada Deteksi Buah Paprika Berdasarkan Citra Digital Menggunakan Teachable Machine Learning
Main Article Content
Fatma Nur Afifah
Zaehol Fatah
Visi computer yang merupakan cabang kecerdasan buatan yang menggunakan citra digital sebagai input data. Penelitian ini bertujuan untuk mengembangkan metode pengumpulan data dalam deteksi warna buah paprika menggunakan citra digital dan platform Teachable Machine. Metode ini dirancang untuk meningkatkan efisiensi dan akurasi dalam mengidentifikasi variasi warna paprika, yang penting untuk kualitas produk di industri pertanian. Data dikumpulkan melalui pengambilan gambar paprika dalam kondisi pencahayaan yang konsisten, kemudian diproses menggunakan teknik segmentasi warna dan analisis histogram. Model machine learning dilatih menggunakan Teachable Machine, yang memungkinkan klasifikasi warna dengan mudah dan cepat. Hasil evaluasi menunjukkan bahwa model dapat mendeteksi warna paprika dengan akurasi yang memuaskan. Penelitian ini memberikan wawasan penting tentang potensi penerapan teknologi digital dalam pertanian dan membuka peluang untuk pengembangan lebih lanjut dalam deteksi dan analisis kualitas produk pertanian. Dengan demikian, penelitian ini berkontribusi pada peningkatan efisiensi pengelolaan hasil pertanian serta promosi inovasi dalam sektor ini.
Prasad, S., & Joshi, M. (2021). Image Processing Techniques in Agriculture: Applications and Future Directions. London: IntechOpen.
Hidayati, S. (2020). Pengantar Pengolahan Citra Digital. Yogyakarta: Andi.
Kurniawan, R. (2020). Dasar-dasar Teachable Machine. Semarang: Pustaka Pelajar.
Setiawan, A. (2019). Machine Learning untuk Pemula. Bandung: Informatika.
Santoso, A. (2021). Citra Digital dalam Ilmu Pertanian. Yogyakarta: Graha Ilmu.
Prabowo, H. (2021). Teknik Analisis Data dengan Python. Jakarta: Elex Media Komputindo.
Nasution, M. (2022). Prinsip dan Aplikasi Machine Learning. Medan: Media Abadi.
Amir, Z. (2023). Inovasi Teknologi Pertanian Berbasis Digital. Bandung: Alfabeta.
Rahman, F. (2022). Statistika Terapan untuk Ilmu Pertanian. Surabaya: Usaha Nasional.
Wijaya, E. (2019). Analisis Data dengan R. Jakarta: Gramedia.
Sari, D. (2020). Pemrograman untuk Ilmu Data. Jakarta: Salemba Empat.
Andri Heru Saputra, & Dhomas Hatta Fudholi. (2021). Realtime Object Detection Masa Siap Panen Tanaman Sayuran Berbasis Mobile Android Dengan Deep Learning. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(4), 647–655. https://doi.org/10.29207/resti.v5i4.3190
Cahyaputra, H. R., & Rahmadewi, R. (2024). Klasifikasi Tingkat Kematangan Buah Paprika Menggunakan Metode K-Nearest Neighbor Berdasarkan Warna Rgb Melalui Aplikasi Matlab. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 9(1), 242–249. https://doi.org/10.29100/jipi.v9i1.4440
Chazar, C., & Rafsanjani, M. H. (2022). Penerapan Teachable Machine Pada Klasifikasi Machine Learning Untuk Identifikasi Bibit Tanaman. Prosiding Seminar Nasional Inovasi Dan Adopsi Teknologi (INOTEK), 2(1), 32–40. https://doi.org/10.35969/inotek.v2i1.207
Fajri, F. N., Malik, K., & Pratamasunu, G. Q. O. (2022). Metode Pengumpulan Data Pada Deteksi Pakaian Hijab Syar’I Berdasarkan Citra Digital Menggunakan Teachable machine Learning. Justek : Jurnal Sains Dan Teknologi, 5(2), 194. https://doi.org/10.31764/justek.v5i2.11614
Ishak, I., Amal, I., Muhammad, M., & Kaswar, A. B. (2022). Sistem Pendeteksi Kematangan Buah Tomat Berbasis Pengolahan Citra Digital Menggunakan Metode Jaringan Syaraf Tiruan. Jurnal MediaTIK, 5(1), 65–69. https://ojs.unm.ac.id/mediaTIK/article/view/33214/15753
Liu Hermawan, D., Nur’azizah, S., Sonia, W., & Utami, I. Q. (2022). Shankara: Aplikasi Smart Farming Menggunakan Machine Learning Berbasis Data Geospasial sebagai Akselerasi Perekonomian Pertanian Menuju Pencapaian SDGS di Indonesia (Studi Kasus: Kabupaten Tabanan, Bali). Kumpulan Karya Tulis Ilmiah Tingkat Nasional 2022, 89–114.
Marifatul Azizah, L., Fadillah Umayah, S., & Fajar, F. (2018). Deteksi Kecacatan Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer. Semesta Teknika, 21(2), 230–236. https://doi.org/10.18196/st.212229
Pramudyo, L. D., Bimantoro, R. B., Sandya, R., Triwinanda, Y., & Sari, A. P. (n.d.). Klasifikasi Buah Duku dan Langsat Untuk Ilmu Pertanian dengan Decision Tree Berbasis Website. 44–48.
Khansa, N., & Fatah, Z. (2024). Gudang Jurnal Multidisiplin Ilmu Analisis Perbandingan Algoritma Machine Learning Dalam Klasifikasi Gangguan Tidur. 2(November), 76–81.
