PERANCANGAN SISTEM SORTIR BUAH APEL BERBASIS ARDIUNO DENGAN MENGGUNAKAN KAMERA SEBAGAI SENSOR

Galih Ar Rohman, Anang Habibi, Oktriza Melfazen

Sari


Penelitian ini bertujuan merancang sistem sortir otomatis untuk buah apel Anna berbasis Arduino dengan menggunakan kamera sebagai sensor utama. Sistem ini mengintegrasikan teknologi machine learning menggunakan Teachable Machine dengan pustaka p5.js untuk mendeteksi dan mengklasifikasikan apel berdasarkan tingkat kematangan. Kamera webcam menganalisis warna kulit apel sebagai indikator kematangan, dan hasil klasifikasi dikirimkan ke Arduino untuk mengendalikan motor servo yang mengarahkan apel ke wadah sesuai kategori. Conveyor belt digerakkan oleh motor DC gearbox, dengan kecepatan yang disesuaikan untuk memastikan proses deteksi berjalan akurat tanpa menghentikan conveyor belt. Prototipe ini dirancang untuk keperluan pendidikan dan penelitian, menawarkan solusi efisien dalam penyortiran buah secara visual. Hasil pengujian menunjukkan sistem mampu memilah apel berdasarkan kategori kematangan dengan tingkat akurasi yang memadai. Implementasi ini diharapkan menjadi dasar pengembangan teknologi sortir otomatis berbasis AI untuk aplikasi skala kecil hingga menengah

Teks Lengkap:

PDF

Referensi


D. Kristianto, B. Peneltian, T. Jeruk, B. Subtropika, and H. P. 082140717107, “KARAKTERISASI BEBERAPA VARIETAS BUAH APEL (Malus sylvestris, Mill) DI KP TELEKUNG, BALITJESTRO JAWA TIMUR,” 2019.

M. N. Khafit, N. Khamdi, J. Jaenudin, and E. Edilla, “Rancang Bangun Alat Sortir Buah Apel Berdasarkan Perbedaan Ukuran dan Warna Menggunakan Mikrokontroller Arduino,” JTEV (Jurnal Teknik Elektro dan Vokasional), vol. 9, no. 1, p. 147, Aug. 2023, doi: 10.24036/jtev.v9i1.122935.

A. Lestari, R. Amelia, N. Husni, A. Andriani, S. R. Mustafa, and A. Zulkifli, “Klasifikasi Akurasi Kematangan Buah Apel Anna Berdasarkan Analisis Warna Model Nasnet Pada Convolutional Neural Network (CNN),” pekanbaru, Jul. 2024. [Online]. Available: www.kaggle.com/datasets/

S. O. Araújo, R. S. Peres, J. C. Ramalho, F. Lidon, and J. Barata, “Machine Learning Applications in Agriculture: Current Trends, Challenges, and Future Perspectives,” Dec. 01, 2023, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/agronomy13122976.

J. Homepage, A. Roihan, P. Abas Sunarya, and A. S. Rafika, “IJCIT (Indonesian Journal on Computer and Information Technology) Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” 2019.

S. Forchhammer, A. Abu-Ghazaleh, G. Metzler, C. Garbe, and T. Eigentler, “Development of an Image Analysis-Based Prognosis Score Using Google’s Teachable Machine in Melanoma,” Cancers (Basel), vol. 14, no. 9, May 2022, doi: 10.3390/cancers14092243.

V. Chhipa and R. Poonia, “Teachable machine : A web based machine learning tool for user voice biometric authentication system,” Journal of Discrete Mathematical Sciences and Cryptography, vol. 27, no. 4, pp. 1345–1355, Jun. 2024, doi: 10.47974/JDMSC-1989.

M. Carney et al., “Teachable machine: Approachable web-based tool for exploring machine learning classification,” in Conference on Human Factors in Computing Systems - Proceedings, Association for Computing Machinery, Apr. 2020. doi: 10.1145/3334480.3382839.

TheFastCode, “Data Visualisation with p5.js.” Accessed: Nov. 14, 2024. [Online]. Available: https://www.thefastcode.com/id-idr/article/data-visualisation-with-p5js

A. Taner, M. T. Mengstu, K. Ç. Selvi, H. Duran, İ. Gür, and N. Ungureanu, “Apple Varieties Classification Using Deep Features and Machine Learning,” Agriculture (Switzerland), vol. 14, no. 2, Feb. 2024, doi: 10.3390/agriculture14020252.


Refbacks

  • Saat ini tidak ada refbacks.