Identifikasi Tingkat Kematangan Cabai Berdasarkan Analisis Warna Menggunakan Metode HSV Color Threshold
DOI:
https://doi.org/10.59395/exr6sa76Keywords:
Kematangan Cabai, HSV Color Thresholding, Pengolahan Citra Digital, OpenCV, PythonAbstract
Penelitian ini mengembangkan sistem identifikasi otomatis tingkat kematangan cabai menggunakan metode Hue, Saturation, Value Color Thresholding berbasis Python dan OpenCV. Penyortiran kematangan cabai secara manual memiliki kelemahan berupa subjektivitas dan inkonsistensi penilaian akibat kelelahan operator. Sistem yang dibangun mengonversi citra Red, Green, Blue ke ruang warna Hue, Saturation, Value, lalu menerapkan tiga lapisan color masking untuk kelas hijau, setengah matang, dan merah. Klasifikasi ditentukan berdasarkan dominasi luas piksel menggunakan fungsi cv2.countNonZero(). Pengujian dilakukan terhadap 24 citra cabai yang terdiri atas 6 citra hijau, 10 citra setengah matang, dan 8 citra merah. Hasil menunjukkan sistem berhasil mengklasifikasikan 21 dari 24 citra dengan benar, mencapai akurasi keseluruhan sebesar 87,50%. Kelas setengah matang dan merah mencapai akurasi sempurna (100%), sedangkan kelas hijau mencapai 50% akibat overlapping nilai Hue antara cabai hijau kekuningan dan cabai setengah matang.
Downloads
References
[1] I. D. Ananto, ‘APLIKASI PENGOLAHAN CITRA MENDETEKSI KUALITAS CABAI BERDASARKAN TINGKAT KEMATANGAN MENGGUNAKAN TRANSFORMASI WARNA YCbCr’, vol. 3, 2015.
[2] C. F. Dhania, H. Fitriyah, and E. R. Widasari, ‘Sistem Deteksi Kematangan Cabai Hidroponik menggunakan Metode Thresholding pada Warna Hue, Saturation, dan Value’.
[3] R. C. Gonzalez and R. E. Woods, Digital image processing, Fourth edition, Global edition. New York: Pearson, 2017.
[4] A. Fadjeri, B. A. Saputra, D. K. Adri Ariyanto, and L. Kurniatin, ‘Karakteristik Morfologi Tanaman Selada Menggunakan Pengolahan Citra Digital’, JIS, vol. 20, no. 2, p. 1, Jul. 2022, doi: 10.30646/sinus.v20i2.601.
[5] A. S. Agung, A. F. D. Sr, M. S. Hersyam, A. B. Kaswar, and D. D. Andayani, ‘CLASSIFICATION OF TOMATO QUALITY BASED ON COLOR FEATURES AND SKIN CHARACTERISTICS USING IMAGE PROCESSING BASED ARTIFICIAL NEURAL NETWORK’, J. Tek. Inform. (JUTIF), vol. 4, no. 5, pp. 1021–1032, Oct. 2023, doi: 10.52436/1.jutif.2023.4.5.730.
[6] E. F. Himmah, M. Widyaningsih, and M. Maysaroh, ‘Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering’, JSI, vol. 6, no. 2, pp. 193–202, Dec. 2020, doi: 10.34128/jsi.v6i2.242.
[7] K. B. Shaik, P. Ganesan, V. Kalist, B. S. Sathish, and J. M. M. Jenitha, ‘Comparative Study of Skin Color Detection and Segmentation in HSV and YCbCr Color Space’, Procedia Computer Science, vol. 57, pp. 41–48, 2015, doi: 10.1016/j.procs.2015.07.362.
[8] Y. F. Sihombing, A. Septiarini, A. H. Kridalaksana, and N. Puspitasari, ‘Chili Classification Using Shape and Color Features Based on Image Processing’, SJI, vol. 9, no. 1, pp. 42–50, May 2022, doi: 10.15294/sji.v9i1.33658.
[9] A. B. Kaswar, F. Adiba, and D. D. Andayani, ‘Sistem Klasifikasi Tingkat Kematangan Buah Cabai Katokkon Berdasarkan Fitur Warna LAB Menggunakan Artificial Neural Network Backpropagation’, j. of Embedded Systems, secur. and intell. Systems, pp. 149–157, Nov. 2023, doi: 10.59562/jessi.v4i2.996.
[10] S. Sanjaya, ‘APLIKASI PENGENALAN TINGKAT KEMATANGAN BUAH TOMAT MENGGUNAKAN FITUR WARNA HSV BERBASIS ANDROID’, JTI, vol. 16, no. 1, p. 26, Jan. 2022, doi: 10.33365/jti.v16i1.1489.
[11] Mhd. Furqan, M. Ikhsan, and A. Dalimunthe, ‘Detection of Ripeness of Manggosteen Fruit Using Hsv Color Space Transformation Method’, IJISTECH, vol. 5, no. 4, p. 513, Dec. 2021, doi: 10.30645/ijistech.v5i4.171.
[12] A. Wibowo, D. M. C. Hermanto, K. I. Lestari, and H. Wijoyo, ‘Deteksi Kematangan Buah Jambu Kristal Berdasarkan Fitur Warna Menggunakan Metode Transformasi Ruang Warna Hsv (Hue Saturation Value) Dan K-Nearest Neighbor’, INCODING, vol. 1, no. 2, pp. 76–88, Oct. 2021, doi: 10.34007/incoding.v2i1.131.
[13] M. O. Zakaria and D. I. Mulyana, ‘Klasifikasi Citra Digital Sayuran Leunca Berdasarkan Nilai HSV dan K-Nearest Neighbor’.
[14] S. P. Adenugraha, V. Arinal, and D. I. Mulyana, ‘Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV’, mib, vol. 6, no. 1, p. 9, Jan. 2022, doi: 10.30865/mib.v6i1.3287.
[15] A. Kaehler and G. R. Bradski, Learning OpenCV 3: Computer vision in C++ with the OpenCV library, First edition. Beijing Boston, Mass. Farnham Sebastopol Tokyo: O’Reilly, 2017.
[16] H. A. Rabbani, M. A. Rahman, and B. Rahayudi, ‘Perbandingan Ruang Warna RGB dan HSV dalam Klasifikasi Kematangan Biji Kopi’.
[17] D. Wandi, F. Fauziah, and N. Hayati, ‘Deteksi Kelayuan Pada Bunga Mawar dengan Metode Transformasi Ruang Warna HSI Dan HSV’, STRING, vol. 5, no. 3, p. 333, Apr. 2021, doi: 10.30998/string.v5i3.8464
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Ananda Sabitha Khairani Putri, Fakhri Nuril Mubin, Rafi Ferdian Nugroho, Mohamad Yasin
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.