Implementasi Metode Backpropagation Neural Network untuk Mendeteksi Kualitas Cabai Berdasarkan Citra Digital

Abstract

Klasifikasi kondisi cabai merupakan salah satu aspek penting dalam proses seleksi bahan baku pada sektor pertanian dan industri kuliner. Penilaian kondisi cabai yang dilakukan secara manual cenderung bersifat subjektif dan kurang konsisten sehingga diperlukan sistem klasifikasi otomatis yang mampu memberikan hasil secara cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem klasifikasi kondisi cabai berbasis citra digital menggunakan metode Backpropagation Neural Network (BPNN). Sistem yang dikembangkan memanfaatkan YOLO (You Only Look Once) untuk mendeteksi dan melokalisasi objek cabai sehingga objek dapat dipisahkan dari latar belakang melalui proses bounding box. Selanjutnya, citra hasil deteksi diproses melalui tahapan preprocessing yang meliputi resizing berukuran 224 × 224 piksel, segmentasi, penghilangan noise menggunakan median filter, serta konversi ruang warna ke HSV dan grayscale. Tahap berikutnya adalah ekstraksi fitur warna dan tekstur yang menghasilkan 10 fitur, kemudian dinormalisasi menggunakan metode Min-Max Scaling sebelum digunakan sebagai masukan model BPNN. Model dilatih menggunakan algoritma backpropagation dengan variasi jumlah epoch dan jumlah neuron pada hidden layer untuk memperoleh konfigurasi terbaik. Hasil penelitian menunjukkan bahwa model BPNN memperoleh akurasi klasifikasi sebesar 97% dalam membedakan cabai ke dalam tiga kelas, yaitu mentah, matang, dan busuk. Pada pengujian implementasi secara realtime, sistem berhasil melakukan penyortiran 106 dari 118 cabai dengan tingkat keberhasilan sebesar 89%. Hasil tersebut menunjukkan bahwa metode BPNN mampu mengenali pola fitur warna dan tekstur cabai secara efektif serta berpotensi diterapkan sebagai sistem pendukung penyortiran cabai secara otomatis