Metode Perbaikan Citra Tanaman atas Variasi Iluminasi dengan Metode KNN (K-Nearest Neighbour) dan ANN (Artificial Neural Network) pada Sistem Prediksi Pigmen Fotosintesis secara Non Destruktif

Marcelino Centauri Dwi Prasetyo(1*), Kestrilia Rega Prilianti(2), Hendry Setiawan(3),

(1) Universitas Ma Chung
(2) Universitas Ma Chung
(3) Universitas Ma Chung
(*) Corresponding Author




DOI: https://doi.org/10.26858/jessi.v3i2.38094

Abstract


Aplikasi Fuzzy Piction adalah aplikasi prediksi kandungan pigmen tanaman berbasis android yang dikembangkan oleh kelompok riset Precision Agriculture, Universitas Ma Chung Malang. Aplikasi mampu memprediksi kandungan 3 macam pigmen fotosintesis utama yaitu klorofil, karotenoid, dan antosianin secara non destruktif melalui citra daun tanaman yang sedang dievaluasi. Model prediksi dikembangkan dengan metode Convolutional Neural Network (CNN). Aplikasi menghadapi permasalahan akurasi yang terjadi karena variasi iluminasi di lapangan saat evaluasi terhadap tanaman dilakukan secara in-situ.  Untuk menyelesaikan permasalahan tersebut, pada penelitian ini diimplementasikan metode perbaikan citra berbasis kecerdasan buatan yaitu KNN (K-Nearest Neighbor) dan ANN (Artificial Neural Network). Hasil eksperimen menunjukan bahwa metode KNN mampu memberikan perbaikan citra yang lebih baik. Indikator lebih baik dilihat dari presisi nilai prediksi pigmen dari beberapa citra pada iluminasi yang berbeda untuk objek tanaman yang sama. Nilai standar deviasi prediksi pigmen pada citra-citra hasil perbaikan dengan KNN berada pada kisaran 0,001 hingga 0,026 sedangkan dengan ANN berada pada kisaran 0,005 hingga 0,557. Sampel tanaman yang digunakan pada penelitian ini adalah Duranta Erecta dan Piper Betle.

Keywords


Artificial Neural Network; Fuzzy Piction; K-Nearest Neighbor; pigmen fotosintesis

Full Text:

PDF

References


Młodzińska, E., Acta Biologica Cracoviensia Series Botanica, Survey of Plant Pigments: Molecular and Environmental, pp.7-16, 2009.

Thrane, J,-E., Spectrophotometric Analysis of Pigments: A Critical Assessment of a High-Throughput Method for Analysis of Algal Pigment Mixtures by Spectral Deconvolution. PloS one, 10(9), p.e0137645, 2015.

Prilianti, K., Anam, S., Brotosudarmo, T. & Suryanto, A., Real-time Assessment of Plant Photosynthetic Pigment Contents with An Artificial Intelligence Approach, 2020.

Justine, A., Pengembangan Fuzzy Convolutional Neural Network untuk Pengenalan Warna pada Sistem Prediksi Pigmen Tanaman, Malang: Universitas Ma Chung, 2021.

Afifi, M., Price, B., Cohen, S., Brown, Michael S., When Color Constancy Goes Wrong: Correcting Improperly White-Balanced Images, pp.1-10, 2019.

Afifi, M., Brown, Michael S., Deep White-Balance Editing, Computer Vision Foundation, pp.1397-1406, 2020.

Pipara, A., Oza, U., Mandal, S., Underwater Image Color Correction Using Ensemble Colorization Network, pp. 2011-2020, 2021.


Article Metrics

Abstract view : 236 times | PDF view : 36 times

Refbacks

  • There are currently no refbacks.


Indexed by:

 

ROAD: the Directory of Open Access scholarly Resources

 

 

Creative Commons License

Journal of Embedded Systems, Security and Intelligent Systems (JESSI) is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License