Classification of Corn Seed and Cob Quality Based on Texture and RGB Color Features Using Backpropagation Method
Main Article Content
Abstract
The quality of agricultural products, such as corn, is greatly influenced by various factors, both environmental factors and agricultural engineering factors. This post-harvest quality affects product performance and is in line with consumer satisfaction, so it will greatly affect its selling price. Manual corn quality grouping requires a lot of time and effort. This study aims to develop a method for classifying corn kernel and cob quality based on digital image processing, using RGB color and texture features. The dataset consists of 150 corn kernel images divided into two quality categories, namely "good" and "bad". The research process involves preprocessing stages, color feature extraction using RGB color space, and texture features using the Gray Level Co-occurrence Matrix (GLCM) method. The classification model is built using the Backpropagation artificial neural network algorithm. The test results show that this method is able to achieve classification accuracy of up to 75%. The implementation of this method is expected to increase the efficiency of the corn quality selection process, reduce dependence on manual assessment, and provide significant benefits to the agricultural sector, especially farmers and the corn industry. These findings provide an important contribution to the development of digital-based post-harvest technology in Indonesia.
Downloads
Download data is not yet available.
Article Details
How to Cite
Pawening, R. E. ., Zaskiya, K. D. ., & Hasanah, S. . (2024). Classification of Corn Seed and Cob Quality Based on Texture and RGB Color Features Using Backpropagation Method. Journal of Intelligent Decision Support System (IDSS), 7(4), 346-356. https://doi.org/10.35335/idss.v7i4.282
References
Afriansyah, M., Saputra, J., Sa’adati, Y., & Ardhana, V. Y. P. (2023). Optimasi Algoritma Naive Bayes Untuk Klasifikasi Buah Apel Berdasarkan Fitur Warna RGB. Bulletin of Computer Science Research, 3(3), 242–249. https://doi.org/10.47065/bulletincsr.v3i3.251
Alhamid, D. M., Rumui, N., & Anas, S. (2022). Case Based Reasoning untuk Klasifikasi Mutu Biji Buah Pala Kering. Jurnal JUPITER, 14(1), 11–18.
Amalia, R., Bimantoro, F., & Aranta, A. (2022). Penerapan Metode Backpropagation Dan Image Centroid Zone – Zone Centroid Zone Pada Pengenalan Pola Tulisan Tangan Aksara Bima. Jurnal Teknologi Informasi, Komputer Dan Aplikasinya (JTIKA), 4(1), 88–96.
Andono, P. N., & Rachmawanto, E. H. (2021). Ekstraksi Fitur GLCM dan LBP Menggunakan Multikernel SVM Untuk Klasifikasi Batik. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(10), 1–9.
Armelia, R. D., Andrian, R., & Junaidi, A. (2024). Perbandingan Kinerja Backpropagation dan Convolutional Neural Network untuk Klasifikasi Citra Batik Lampung. Jurnal Komputasi, 12(1), 11–18. https://doi.org/10.23960/komputasi.v12i1.248
Asmar, M., Kurniawan, M. R., Ashari, R. N., Akbar, M., & Intam, R. N. (2023). Klasifikasi tingkat aroma daun jeruk purut menggunakan metode jaringan saraf tiruan backpropagation. Jurnal Decoding, 74–87.
Audy, & Zaini. (2022). Analisis Kualitas Jagung Berbasis IoT dengan Penerapan Model SSD Mobilenet dan Histogram. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 11(2), 79–87. https://doi.org/10.22146/jnteti.v11i2.3434
Barburiceanu, S., Terebes, R., & Meza, S. (2021). 3D Texture Feature Extraction and Classification Using GLCM and LBP-Based Descriptors. MDPI, 11.
BPS. (2024). Pada 2024, luas panen jagung pipilan diperkirakan sebesar 2,58 juta hektare dan produksi jagung pipilan kering dengan kadar air 14 persen sebesar 15,21 juta ton. Retrieved from https://www.bps.go.id/id/pressrelease/2024/10/15/2378/pada-2024--luas-panen-jagung-pipilan-diperkirakan-sebesar-2-58-juta-hektare-dan-produksi-jagung-pipilan-kering-dengan-kadar-air-14-persen-sebesar-15-21-juta-ton-.html
Fadjeri, A. (2023). Klasifikasi Biji Kopi Berdasarkan Bentuk Menggunakan Image Processing dan K-NN. Jurnal Ilmiah SINUS, 21(2), 55. https://doi.org/10.30646/sinus.v21i2.726
Fajar, M., Sulthan, M. B., & Wahyudi, I. (2023). Klasifikasi Kematangan Buah Tomat Menggunankan Fitur RGB dan HSI Berbasis BACKPROPAGATION. Jurnal Aplikasi Teknologi Informasi Dan Manajemen (JATIM), 4(1), 84–95.
Guntara, R. G. (2022). Ekstraksi Fitur Warna Citra Daun Untuk Klasifikasi Skala Klorofil dan Rekomendasi Pemupukan. Jurnal Minfo Polgan, 11(1), 15–22. https://doi.org/10.33395/jmp.v11i1.11644
Ilhamsyah, Rahman, A. Y., & Istiadi. (2018). Klasifikasi Kualitas Biji Kopi Menggunakan MultilayerPerceptron Berbasis Fitur Warna LCH. JURNAL RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(1), 19–25.
Khultsum, U., & Subekti, A. (2021). Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat. Jurnal Media Informatika Budidarma, 5(1), 186. https://doi.org/10.30865/mib.v5i1.2624
Mujiadi, M., Hatmoko, D. R., & Fahmi, A. (2023). Penanganan Pasca Panen Komoditas Jagung Di Kecamatan Trowulan Kabupaten Mojokerto. Jurnal Ilmu Pertanian Dan Perkebunan, 5(1), 01–06. https://doi.org/10.55542/jipp.v5i1.486
Munawaroh, U., & Fatah, Z. (2024). Klasifikasi Kematangan Tomat Berbasis Citra Digital : Pendekatan Teachable Machine Learning. Gudang Jurnal Multidisiplin Ilmu, 2(November), 248–252.
Nazirah, L., Zuhra, I., & Satriawan, H. (2022). Uji potensi pertumbuhan beberapa varietas tanaman jagung ( Zea mays ) di Kabupaten Bireuen. Jurnal Agrotek UMMAT, 9(1), 51–64.
Olivya, M., Tungadi, E., & Rante, N. B. (2018). Klasifikasi Kualitas Biji Kopi Ekspor Menggunakan Jaringan Saraf Tiruan Backpropagation. Jurnal Informasi Sains Dan Teknologi (INSTEK), 3(2), 299–308.
Pebrianto, R., & Haryanto, T. (2023). Optimasi Sistem Klasifikasi Biji Tanaman Cabai Menggunakan CNN : Pendekatan Inovatif dalam Agribisnis. IJCIT (Indonesian Journal on Computer and Information Technology), 8(2), 121–129.
Prastyaningsih, Y., & Kusrini, W. (2021). Sistem Temu Kembali Citra Pada Level Roasting Biji Kopi Menggunakan Ekstraksi Fitur Warna. INOVTEK Polbeng - Seri Informatika, 6(2), 222. https://doi.org/10.35314/isi.v6i2.2086
Putri, A. W. (2021). Implementasi Artificial Neural Network (ANN) Backpropagation Untuk Klasifikasi Jenis Penyakit Pada Daun Tanaman Tomat. MATHunesa: Jurnal Ilmiah Matematika, 9(2), 344–350. https://doi.org/10.26740/mathunesa.v9n2.p344-350
Sari, A. T., & Haryatmi, E. (2021). Penerapan Convolutional Neural Network Deep Learning dalam Pendeteksian Citra Biji Jagung Kering. Jurnal Resti, 1(1), 265–271.
Seran, A. B., Rahman, A. Y., & Istiadi. (2021). Temu Kembali Kemiripan Motif Citra Tenun Menggunakan Transformasi Wavelet Diskrit Dan GLCM. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(10), 958–966.
Sidik, I., Wahyuna, W., Rudian, R., & Jojo, J. (2023). Faktor - Faktor Yang Mempengaruhi Harga Jual Komoditas Kembang Kol (Brassica oleacera Var. Botrytis ) ( Suatu Kasus Pada Petani Kembang Kol Di Kecamatan Telagasari Kabupaten Karawang). Paspalum: Jurnal Ilmiah Pertanian, 11(1), 156. https://doi.org/10.35138/paspalum.v11i1.520
Yunarto, Pribadi, R. ., & Irsyad, H. (2020). Perbandingan Algoritma Backpropagation Dan Support Vector Machine Pada Pengenalan Jenis Biji Jagung. Jurnal Algoritme, 1(1), 111–120.
Alhamid, D. M., Rumui, N., & Anas, S. (2022). Case Based Reasoning untuk Klasifikasi Mutu Biji Buah Pala Kering. Jurnal JUPITER, 14(1), 11–18.
Amalia, R., Bimantoro, F., & Aranta, A. (2022). Penerapan Metode Backpropagation Dan Image Centroid Zone – Zone Centroid Zone Pada Pengenalan Pola Tulisan Tangan Aksara Bima. Jurnal Teknologi Informasi, Komputer Dan Aplikasinya (JTIKA), 4(1), 88–96.
Andono, P. N., & Rachmawanto, E. H. (2021). Ekstraksi Fitur GLCM dan LBP Menggunakan Multikernel SVM Untuk Klasifikasi Batik. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(10), 1–9.
Armelia, R. D., Andrian, R., & Junaidi, A. (2024). Perbandingan Kinerja Backpropagation dan Convolutional Neural Network untuk Klasifikasi Citra Batik Lampung. Jurnal Komputasi, 12(1), 11–18. https://doi.org/10.23960/komputasi.v12i1.248
Asmar, M., Kurniawan, M. R., Ashari, R. N., Akbar, M., & Intam, R. N. (2023). Klasifikasi tingkat aroma daun jeruk purut menggunakan metode jaringan saraf tiruan backpropagation. Jurnal Decoding, 74–87.
Audy, & Zaini. (2022). Analisis Kualitas Jagung Berbasis IoT dengan Penerapan Model SSD Mobilenet dan Histogram. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 11(2), 79–87. https://doi.org/10.22146/jnteti.v11i2.3434
Barburiceanu, S., Terebes, R., & Meza, S. (2021). 3D Texture Feature Extraction and Classification Using GLCM and LBP-Based Descriptors. MDPI, 11.
BPS. (2024). Pada 2024, luas panen jagung pipilan diperkirakan sebesar 2,58 juta hektare dan produksi jagung pipilan kering dengan kadar air 14 persen sebesar 15,21 juta ton. Retrieved from https://www.bps.go.id/id/pressrelease/2024/10/15/2378/pada-2024--luas-panen-jagung-pipilan-diperkirakan-sebesar-2-58-juta-hektare-dan-produksi-jagung-pipilan-kering-dengan-kadar-air-14-persen-sebesar-15-21-juta-ton-.html
Fadjeri, A. (2023). Klasifikasi Biji Kopi Berdasarkan Bentuk Menggunakan Image Processing dan K-NN. Jurnal Ilmiah SINUS, 21(2), 55. https://doi.org/10.30646/sinus.v21i2.726
Fajar, M., Sulthan, M. B., & Wahyudi, I. (2023). Klasifikasi Kematangan Buah Tomat Menggunankan Fitur RGB dan HSI Berbasis BACKPROPAGATION. Jurnal Aplikasi Teknologi Informasi Dan Manajemen (JATIM), 4(1), 84–95.
Guntara, R. G. (2022). Ekstraksi Fitur Warna Citra Daun Untuk Klasifikasi Skala Klorofil dan Rekomendasi Pemupukan. Jurnal Minfo Polgan, 11(1), 15–22. https://doi.org/10.33395/jmp.v11i1.11644
Ilhamsyah, Rahman, A. Y., & Istiadi. (2018). Klasifikasi Kualitas Biji Kopi Menggunakan MultilayerPerceptron Berbasis Fitur Warna LCH. JURNAL RESTI (Rekayasa Sistem Dan Teknologi Informasi), 1(1), 19–25.
Khultsum, U., & Subekti, A. (2021). Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat. Jurnal Media Informatika Budidarma, 5(1), 186. https://doi.org/10.30865/mib.v5i1.2624
Mujiadi, M., Hatmoko, D. R., & Fahmi, A. (2023). Penanganan Pasca Panen Komoditas Jagung Di Kecamatan Trowulan Kabupaten Mojokerto. Jurnal Ilmu Pertanian Dan Perkebunan, 5(1), 01–06. https://doi.org/10.55542/jipp.v5i1.486
Munawaroh, U., & Fatah, Z. (2024). Klasifikasi Kematangan Tomat Berbasis Citra Digital : Pendekatan Teachable Machine Learning. Gudang Jurnal Multidisiplin Ilmu, 2(November), 248–252.
Nazirah, L., Zuhra, I., & Satriawan, H. (2022). Uji potensi pertumbuhan beberapa varietas tanaman jagung ( Zea mays ) di Kabupaten Bireuen. Jurnal Agrotek UMMAT, 9(1), 51–64.
Olivya, M., Tungadi, E., & Rante, N. B. (2018). Klasifikasi Kualitas Biji Kopi Ekspor Menggunakan Jaringan Saraf Tiruan Backpropagation. Jurnal Informasi Sains Dan Teknologi (INSTEK), 3(2), 299–308.
Pebrianto, R., & Haryanto, T. (2023). Optimasi Sistem Klasifikasi Biji Tanaman Cabai Menggunakan CNN : Pendekatan Inovatif dalam Agribisnis. IJCIT (Indonesian Journal on Computer and Information Technology), 8(2), 121–129.
Prastyaningsih, Y., & Kusrini, W. (2021). Sistem Temu Kembali Citra Pada Level Roasting Biji Kopi Menggunakan Ekstraksi Fitur Warna. INOVTEK Polbeng - Seri Informatika, 6(2), 222. https://doi.org/10.35314/isi.v6i2.2086
Putri, A. W. (2021). Implementasi Artificial Neural Network (ANN) Backpropagation Untuk Klasifikasi Jenis Penyakit Pada Daun Tanaman Tomat. MATHunesa: Jurnal Ilmiah Matematika, 9(2), 344–350. https://doi.org/10.26740/mathunesa.v9n2.p344-350
Sari, A. T., & Haryatmi, E. (2021). Penerapan Convolutional Neural Network Deep Learning dalam Pendeteksian Citra Biji Jagung Kering. Jurnal Resti, 1(1), 265–271.
Seran, A. B., Rahman, A. Y., & Istiadi. (2021). Temu Kembali Kemiripan Motif Citra Tenun Menggunakan Transformasi Wavelet Diskrit Dan GLCM. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(10), 958–966.
Sidik, I., Wahyuna, W., Rudian, R., & Jojo, J. (2023). Faktor - Faktor Yang Mempengaruhi Harga Jual Komoditas Kembang Kol (Brassica oleacera Var. Botrytis ) ( Suatu Kasus Pada Petani Kembang Kol Di Kecamatan Telagasari Kabupaten Karawang). Paspalum: Jurnal Ilmiah Pertanian, 11(1), 156. https://doi.org/10.35138/paspalum.v11i1.520
Yunarto, Pribadi, R. ., & Irsyad, H. (2020). Perbandingan Algoritma Backpropagation Dan Support Vector Machine Pada Pengenalan Jenis Biji Jagung. Jurnal Algoritme, 1(1), 111–120.
Copyright and Licensing
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.