Application of Machine Learning Models for Classifying the Quality of Bird’s Eye Chili Based on Dryness Level Using Image Feature Extraction

Penelitian ini bertujuan mengembangkan sistem klasifikasi kualitas cabai rawit berdasarkan tingkat kekeringan menggunakan pendekatan machine learning dan teknik ekstraksi fitur citra. Dataset terdiri atas citra digital cabai rawit merah dan hijau pada berbagai tahap pengeringan beserta nilai kadar air yang diukur secara manual. Ekstraksi fitur dilakukan untuk memperoleh karakteristik visual cabai, yaitu warna, tekstur, dan bentuk. Beberapa model machine learning dievaluasi, yaitu Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Artificial Neural Network (ANN). Evaluasi kinerja menggunakan metrik akurasi, presisi, recall, dan F1-score menunjukkan bahwa model Random Forest mencapai kinerja terbaik dengan rata-rata akurasi klasifikasi 90,0% dalam mengkategorikan cabai ke dalam tiga tingkat kualitas: segar, sedang, dan kering. Model terpilih diimplementasikan ke dalam aplikasi mobile berbasis Flutter sebagai alat klasifikasi otomatis. Hasil penelitian menunjukkan bahwa penerapan machine learning dengan ekstraksi fitur citra dapat menjadi solusi yang efektif dan efisien untuk penilaian kualitas cabai rawit secara objektif.

Authors

Institutions

Publication Details

Journal
JUKI Jurnal Komputer dan Informatika
Published
2026-11-16
Primary Topic
Smart Agriculture and AI
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
article

Application of Machine Learning Models for Classifying the Quality of Bird’s Eye Chili Based on Dryness Level Using Image Feature Extraction

Tulus Pramuji, Tri Raharjo Yudantoro, Agus Suwondo, Wahyu Sulistiyo et al.
JUKI Jurnal Komputer dan Informatika
Smart Agriculture and AI
article

Application of Machine Learning Models for Classifying the Quality of Bird’s Eye Chili Based on Dryness Level Using Image Feature Extraction

Tulus Pramuji, Tri Raharjo Yudantoro, Agus Suwondo, Wahyu Sulistiyo, Setyawan Wibisono, Eko Supriyanto, Sindi Sindi
article en

Abstract

Penelitian ini bertujuan mengembangkan sistem klasifikasi kualitas cabai rawit berdasarkan tingkat kekeringan menggunakan pendekatan machine learning dan teknik ekstraksi fitur citra. Dataset terdiri atas citra digital cabai rawit merah dan hijau pada berbagai tahap pengeringan beserta nilai kadar air yang diukur secara manual. Ekstraksi fitur dilakukan untuk memperoleh karakteristik visual cabai, yaitu warna, tekstur, dan bentuk. Beberapa model machine learning dievaluasi, yaitu Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Artificial Neural Network (ANN). Evaluasi kinerja menggunakan metrik akurasi, presisi, recall, dan F1-score menunjukkan bahwa model Random Forest mencapai kinerja terbaik dengan rata-rata akurasi klasifikasi 90,0% dalam mengkategorikan cabai ke dalam tiga tingkat kualitas: segar, sedang, dan kering. Model terpilih diimplementasikan ke dalam aplikasi mobile berbasis Flutter sebagai alat klasifikasi otomatis. Hasil penelitian menunjukkan bahwa penerapan machine learning dengan ekstraksi fitur citra dapat menjadi solusi yang efektif dan efisien untuk penilaian kualitas cabai rawit secara objektif.

JUKI Jurnal Komputer dan Informatika
Politeknik Negeri Semarang (ID)
Smart Agriculture and AI
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.

Laika access coming soon