Klasifikasi Kematangan Tanaman Buah Tomat Menggunakan Teachable Machine: Pendekatan Berbasis Gambar
DOI:
https://doi.org/10.35473/jamastika.v5i1.4599Abstract
Identifying the ripeness level of tomatoes (Solanum lycopersicum) is important in agriculture because it affects product quality, market value, and harvesting efficiency. This study aims to classify tomato ripeness (raw, semi-ripe, ripe) using digital images through Teachable Machine (Google's AI platform). The approach used is image-based classification utilizing machine learning techniques to detect color and texture patterns. Data were collected directly, labeled, and used to train the model. Evaluation results showed high accuracy (94%) and low loss values. The developed prototype allows real-time ripeness classification. The implementation of these findings is expected to improve harvest quality, reduce losses, and support sustainable agriculture through systematic technology.
Keywords: Teachable Machine. Classification, Tomato Ripeness, image.
Identifikasi tingkat kematangan tomat (Solanum lycopersicum) penting dalam agrikultur karena memengaruhi kualitas produk, nilai jual, dan efisiensi panen. Studi ini bertujuan mengklasifikasikan kematangan tomat (mentah, setengah matang, matang) menggunakan citra digital melalui Teachable Machine (platform AI Google). Pendekatan yang digunakan adalah klasifikasi berbasis gambar yang memanfaatkan teknik pembelajaran mesin untuk mendeteksi pola warna dan tekstur. Data diperoleh langsung, dilabeli, dan digunakan untuk melatih model.Hasil evaluasi menunjukkan akurasi tinggi (94%) dan nilai kerugian rendah. Prototipe yang dikembangkan memungkinkan klasifikasi kematangan secara waktu nyata. Implementasi temuan ini diharapkan dapat meningkatkan mutu hasil panen, meminimalisir kerugian, dan mendukung pertanian yang berkelanjutan melalui pendekatan teknologi yang terencana.
Kata Kunci: Teachable Machine. Klasifikasi, Kematangan Tomat, gambar.
References
Ayu purnama sari,s.p.,MSc & Alfassabiq Khairi, SP., M.Sc., budidaya tanaman tomat dan pengendalian hama dan penyakit CV. Mega Nusantara, Jawa Barat
Nurdin, A., Teknologi Pascapanen: Prinsip dan Aplikasi dalam Pengolahan Buah dan Sayuran. Yogyakarta: Gadjah Mada University Press, 2018.
Aprilisa, S. and Sukemi, S., 2020, February. Klasifikasi Tingkat Kematangan Buah Tomat Berdasarkan Fitur Warna Menggunakan K-Nearest Neighhbor. In Annual Research Seminar (ARS) (Vol. 5, No. 1, pp. 170-173).
Sutoyo, P. & Kurniawan, E., Pengenalam Machine Learning: Konsep dan Aplikasinya. Yogyakarta Penerbit Andi, 2020.
Noviyanto, A., 2009. Klasifikasi Tingkat Kematangan Varietas Tomat Merah dengan Metode Perbandingan Kadar Warna. Yogyakarta: Universitas Gajah Mada.
A. F. Yana, “Implementasi Pengolahan Citra Digital untuk Menghitung Anak Burung Puyuh Menerapkan dengan Metode Blob,” Joutnal Penelitian Sistem Informasi,, vol. 1, no. 4, Pp 237-245. Juli 2020.
Sabri, N., Ibrahim, Z., & Isa, D. (2018). Evaluation of color models for palm oil fresh fruit bunch ripeness classification. Indonesian Journal of Electrical Engineering and Computer Science, 11(2), 549–557. https://doi.org/10.11591/ijeecs.v11.i2.pp5 49-557
M.Topan Nixon, Budi Daya dan Bisnis Cabai. ciganjur, Jakarta selatan: PT Agromedia Pustaka, 2008.
Ayu purnama sari,s.p.,MSc & Alfassabiq Khairi, SP., M.Sc., budidaya tanaman tomat dan pengendalian hama dan penyakit CV. Mega Nusantara, Jawa Barat
M. Djufri, “Penerapan Teknik Web Scraping Untuk Penggalian Potensi Pajak (Studi Kasus Pada Online Market Place Tokopedia, Shopee Dan Bukalapak)’’. Jurnal BPPK, vol. 13, no. 2, Pp 65-75, Desember 2020.
Fatah, A., Dasar-Dasar Pengolahan Citra Digital. Jakata Penerbit Erlangga, 2016.
M. Farhan Fauzy, D. Imroatu Julaikah “Pengembangan Materi Ajar Tema Begrüssung Di Web Teachable Machine Untuk Keterampilan Berbicara Bahasa Jerman Kelas Xi.” E-Journal Laterne, vol. 12, no. 02, Juli 2023.
D. L. Pitaloka, D. Dimyati, and E. Purwanta, “Peran Guru dalam Menanamkan Nilai Toleransi pada Anak Usia Dini di Indonesia,” Jurnal Obsesi : Jurnal Pendidikan Anak Usia Dini, vol.5, no. 2, pp. 1696–1705, Januari. 2021, doi: 10.31004/obsesi.v5i2.972
Z. Emka Fitri. A. Mujibtamala Nanda Imron U. Nuhanatika and A. Madjid. “Penentuan Tingkat Kematangan Cabe Rawit (Capsicum frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix,” Jurnal Teknologi Informasi dan Teknologi, vol. 7, no. 1, Pp 1-5, Januari 2020.
Astrianda, N., & Mohamad, F. S. (2017). Ripeness Identification of Tomato Using Different Color Models Based on Neural Networklevenberg-Marquardt. World Applied Sciences Journal, 35(Lm), 57 61. https://doi.org/10.5829/idosi/wasj.2017.5 7.61
