Analisis Identifikasi Buah Jeruk Menggunakan Metode Warna RGB pada Aplikasi Berbasis Web
DOI:
https://doi.org/10.36423/index.v8i1.2761Keywords:
Pengolahan Citra Digital, Computer Vision, RGB, Aplikasi Web, BuahAbstract
Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis web yang dapat digunakan untuk mengidentifikasi kualitas buah jeruk secara otomatis menggunakan analisis warna RGB. Permasalahan yang diangkat dalam penelitian ini adalah proses identifikasi kualitas buah yang masih dilakukan secara manual, sehingga kurang efisien dan berpotensi menimbulkan subjektivitas. Metode yang digunakan adalah pengolahan citra digital dengan memanfaatkan nilai warna RGB sebagai dasar dalam proses klasifikasi. Sistem dirancang untuk menerima input berupa citra buah, kemudian memproses dan mengklasifikasikan kondisi buah ke dalam kategori segar, matang, dan busuk. Hasil pengujian menunjukkan bahwa sistem mampu mengidentifikasi kualitas buah dengan tingkat akurasi mencapai 100% pada data uji yang digunakan. Selain itu, waktu respon sistem berada pada rentang 1.1 hingga 1.3 detik, yang menunjukkan bahwa proses deteksi dapat dilakukan secara cepat dan konsisten. Dengan demikian, sistem yang dikembangkan dapat menjadi solusi alternatif dalam membantu proses identifikasi kualitas buah secara otomatis, lebih cepat, dan lebih objektif dibandingkan metode manual.
References
[1] I. G. Diva, I. P. Fajar, T. Mahendra, and I. Luis, “Klasifikasi Kualitas Buah dengan Menggunakan Convolutional Neural Network ( Studi Kasus : Dataset Fresh and Rotten Classification ),” vol. 2, pp. 429–442, 2024.
[2] Supiyandi Supiyandi and Rafif Rasendriya, “Penggunaan Visi Komputer untuk Mengidentifiksi Jenis Buah dari Gambar,” Router J. Tek. Inform. dan Terap., vol. 2, no. 4, pp. 94–103, 2024, doi: 10.62951/router.v2i4.287.
[3] P. Dan and P. Pengguna, “MENGGUNAKAN METODE DESIGN THINKING BERBASIS,” vol. 7, no. 3, pp. 11–22.
[4] D. Utomo, F. Teknik, U. Kristen, and S. Wacana, “Penghitung Jumlah Tumpukan dan Penentu Tipe Koin Berdasarkan Intensitas Cahaya Baris,” pp. 189–198.
[5] L. Fadhilah, W. Hadikurniawati, and U. Semarang, “1,2 1 , 2,” vol. 7, 2024.
[6] I. Yolov, U. Deteksi, and D. A. N. Klasifikasi, “Implementasi yolov8 untuk deteksi dan klasifikasi tingkat kematangan buah mangga berdasarkan citra digital,” vol. 4, no. 4, pp. 294–301, 2025.
[7] R. A. Suharman and R. A. Suharman, “PYTHAGORAS : Jurnal Matematika dan Pendidikan Matematika Klasifikasi Kematangan Manggis Berdasarkan Fitur Warna dan Tekstur Menggunakan Algoritma Naive Bayes Klasifikasi Kematangan Manggis Berdasarkan Fitur Warna dan Tekstur Menggunakan,” vol. 17, no. 2, pp. 377–388, 2022.
[8] A. Pengolahan and C. Untuk, “Algoritma pengolahan citra untuk deteksi cacat buah jeruk dengan image processing,” vol. 1, no. 4, pp. 296–299, 2024.
[9] I. Aryeni, H. M. Maulidiah, H. Toar, M. J. W. Wicaksono, and I. Gunawan, “Application of Computer Vision for Real-Time Detection of Fruit Color and Size in Fruit Sorter,” J. Appl. Electr. Eng., vol. 7, no. 2, pp. 61–66, 2023, doi: 10.30871/jaee.v7i2.6740.
[10] T. Królikowski, R. Wojszczyk, W. Radzimowski, and T. Królikowski, “ScienceDirect ScienceDirect Counting objects using Radzimowski image segmentation methods,” Procedia Comput. Sci., vol. 246, pp. 2302–2311, 2024, doi: 10.1016/j.procs.2024.09.558.
[11] H. Syahputra, A. Harjoko, R. Wardoyo, and R. Pulungan, “Plant recognition using stereo leaf image using gray-level co-occurrence matrix,” J. Comput. Sci., vol. 10, no. 4, pp. 697–704, 2014, doi: 10.3844/jcssp.2014.697.704.
[12] A. F. Salsabil, R. Rahmadhani, U. Rimayanti, and A. Rahman, “Open access Open access,” J. Multidiciplinary Appl. Nat. Sci., vol. 7, no. 1, pp. 1–12, 2025.
[13] F. Rahardika Bahari Putra, M. Rizki Setyawan, R. Soekarta, Nabila, and L. J. Fakhri, “Implementasi Deep Learning Menggunakan Cnn Untuk Klasifikasi Tingkat Kematangan Buah Jeruk Berbasis Android,” J. Mahajana Inf., vol. 9, no. 2, pp. 85–94, 2024, doi: 10.51544/jurnalmi.v9i2.5462.
[14] D. M. Puteri et al., “Klasifikasi Tingkat Kematangan Buah Pisang Berdasarkan Pendekatan Model Algoritma Classification of Banana Fruit Ripeness Levels Based on Algorithmic Model Approach,” vol. 7, no. 2, pp. 163–180, 2025.
[15] A. Febriansyah, N. Rinanto, M. K. Hasin, and P. Nur, “PENERAPAN DETEKSI KECACATAN BUAH JERUK MENGGUNAKAN MODEL DEEP LEARNING YOLOV5,” vol. 14, no. 1.
[16] D. C. Agustin, M. A. Rosid, and N. Ariyanti, “Implementasi Convolutional Neural Network Untuk Deteksi Kesegaran Pada Apel,” J. Fasilkom, vol. 13, no. 02, pp. 145–150, 2023, doi: 10.37859/jf.v13i02.5175.
[17] C. Sintiya, E. Gunawan, D. R. Marpaung, F. R. Fa, and F. M. Sinaga, “Pengembangan Aplikasi Deteksi SKematangan Buah Pisang Berbasis Web Menggunakan Model CNN-LSTM,” vol. 26, no. 1, pp. 1–20, 2025.
[18] L. Chuquimarca, B. Vintimilla, and S. Velastin, “Classifying Healthy and Defective Fruits with a Multi-Input Architecture and CNN Models,” 2024 14th Int. Conf. Pattern Recognit. Syst. ICPRS 2024, 2024, doi: 10.1109/ICPRS62101.2024.10677833.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Triwanti Andini Hutasoit, Claudia Agatha Br. Tarigan, Jonathan Rio Gultom, Hermawan Syahputra
This work is licensed under a Creative Commons Attribution 4.0 International License.
