Implementasi Algoritma Artificial Neural Network (ANN) Untuk Klasifikasi Varietas Kismis Berdasarkan Fitur Morfologi
Keywords:
Artificial Neural Network, RapidMiner, Data MiningAbstract
Industri pengolahan hasil pertanian, terutama kismis, menghadapi kesulitan dalam memilah varietas yang bagus seperti Kecimen dan Besni karena kedua jenis tersebut memiliki bentuk yang mirip. Cara penyortiran secara manual memakan waktu dan bisa salah akibat kesalahan manusia. Penelitian ini mencoba menggunakan algoritma Artificial Neural Network (ANN) untuk mengklasifikasikan jenis kismis secara otomatis berdasarkan karakteristik bentuknya. Data yang digunakan berasal dari UCI Machine Learning Repository, terdiri dari 900 sampel dengan 7 karakteristik bentuk, yaitu Area, Major Axis Length, Minor Axis Length, Eccentricity, Convex Area, Extent, dan Perimeter. Penelitian ini dilakukan dengan menggunakan perangkat lunak RapidMiner, dengan tahap pra-pemrosesan berupa normalisasi data (Z-transformation) untuk meningkatkan kinerja jaringan. Metode pengecekannya menggunakan 10-Fold Cross Validation. Hasil uji coba menunjukkan bahwa algoritma ANN mampu mengenali jenis kismis dengan akurasi sebesar 87.00% Hal ini membuktikan bahwa metode Neural Network efektif digunakan sebagai alternatif sistem cerdas dalam memperbaiki kualitas produk pertanian.
References
Afonso, A. R. (2014). Automated Text Clustering Of Newspaper And Scientific Texts In Brazilian Portuguese : Analysis And Comparison Of Methods. 11(2), 415–436. Https://Doi.Org/10.4301/S1807-17752014000200011
Anwer, D. A. (2021). The Impact Of Neural Network Techniques In The Optimization Of The Image Processing. 12(13), 815–828.
Cinar, I., Koklu, M., & Tasdemir, S. (2020). Classification Of Raisin Grains Using Machine Vision And Artificial Intelligence Methods Kuru Üzüm Tanelerinin Makine Görüşü Ve Yapay Zeka Yöntemleri Kullanılarak Sınıflandırılması. 6(3), 200–209.
Duran, Z., Akargöl, İ., & Doğan, T. (2023). Data Mining , Weka Decision Trees. 401–416.
Evaluation : From Precision , Recall And F-Measure To Roc , Informedness , Markedness & Correlation. (N.D.). 37–63.
García-Peñalvo, F. J. (2016). Digital Humanities Data Processing. 9.
Kim, K. G. (2016). Deep Learning. 22(4), 351–354.
Kohavi, R., & Edu, S. (1993). A Study Of Cross-Validation And Bootstrap For Accuracy Estimation And M O D E L Selection. 1137–1143.
Ren, C., Kim, D., & Jeong, D. (2020). A Survey Of Deep Learning In Agriculture : Techniques And Their Applications. 16(5), 1015–1033.
Rueangket, P., Thaebanpakul, C., Sakboonyarat, B., & Prayote, A. (2024). Educational Data Mining : Factors Influencing Medical Student Success And The Exploration Of Visualization Techniques. December, 1–14. Https://Doi.Org/10.3389/Feduc.2024.1390892
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Abrori Musafic Al Rasyid, Hasbi Firmansyah, Wahyu Asriyani, Rizki Prasetyo Tulodo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
