PENERAPAN METODE COLOR FILTERING DAN LEARNING VECTOR QUANTIZATION DALAM PENENTUAN TINGKAT KEMATANGAN CAKE DASAR PUTIH

Transkripsi

1 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 50 PENERAPAN METODE COLOR FILTERING DAN LEARNING VECTOR QUANTIZATION DALAM PENENTUAN TINGKAT KEMATANGAN CAKE DASAR PUTIH Danel Bys 1, Arfan Y. Mauk 2, Krnels Letelay 3 Jurusan Ilmu Kmputer, Fakultas Sans dan Teknk, Unverstas Nusa Cendana Emal : danel.bys23@yah.cm 1, arfanmauk@staf.undana.ac.d 2, kletelay@gmal.cm 3 ABSTRAK Cake merupakan panganan yang terbuat dar campuran bahan-bahan sepert tepung, gula, telur, garam, susu, arma dan lemak yang dkembangkan dengan atau tanpa bahan pengembang. Penentuan tngkat kematangan cake dasar puth dlakukan berdasarkan grade warna permukaan pada saat prses pemanggangan. Namun hal n serng menjad kendala karena faktr perseps kmpss warna setap rang berbeda-beda. Pengamblan data ctra menggunakan kamera 3.2 mp dan 13 mp, setelah tu ctra dsegmentas dengan clr flterng untuk membuang pxels yang mengandung efek lghtng. Tahap selanjutnya yatu ekstraks cr warna RGB kemudan dlakukan pelathan dengan metde Learnng Vectr Quantzatn (LVQ). Haslnya aplkas mampu menentukan tngkat kematangan kue cake dasar puth dengan rata-rata akuras 65,19% dan cake dasar ckelat sebaga kelas valdas 96,88% untuk kamera 3.2 mp sementara pada kamera 13 mp rata-rata akuras 64,93% dan cake dasar ckelat sebaga kelas valdas yatu 93,75%. Keberhaslan dentfkas dpengaruh leh faktr pencahayaan dalam ruangan, jarak pengamblan dan wadah penampung. Kata kunc : Tngkat kematangan cake, Clr flterng, RGB (red, green, blue), Learnng Vectr Quantzatn (LVQ). ABSTRACT Cake s desserts made frm a mxture f dugh cnsstng f flur, sugar, eggs, salt, mlk, scents and butter. It can be created wth r wthut cake emulsfer. Identfcatn f the well bake frm whte base cake s based n surface clr level durng the baked prcess, but ths ften a cnstrant because perceptn f the clr cmpstn f each persn s dfferent. Image data capturng wth camera 3.2 mp and 13 mp then segmented wth clr flterng t remve pxels cntanng lghtng effect. The next step s extractn f RGB clr then tranng wth Learnng Vectr Quantzatn (LVQ) methd. The result f ths research applcatn can dentfcatn bake cake level f whte cake base wth average accuracy 65.19% and chclate base cake as valdatn class s 96.88% fr camera 3.2 mp whle average accuracy fr camera 13 mp s 64.93% and chclate base cake as valdatn class 93.75%. The success f the dentfcatn s nfluenced by ndr lghtng factrs, dstance f harvest and pan r cntaner. Keywrds: Bake cake level, Clr flterng, RGB(red, green, blue), Learnng Vectr Quantzatn (LVQ). I. PENDAHULUAN Kue merupakan salah satu jens makanan rngan dengan berbaga jens, cta rasa dan aneka bentuk. Cake dasar merupakan cake yang mash dalam tahapan atau baru melalu tahapan prses pemanggangan dan belum masuk ke tahapan penambahan bahan pelengkap sepert cheese, chclate, ekstrak buah dan bahan pelengkap lannya. Cake dasar puth merupakan salah satu bentuk cake dasar yang dbuat tanpa campuran bahan-bahan pewarna kue msalnya warna ckelat, hjau dan merah. Tngkat kematangan cake dasar puth merupakan salah satu faktr penentu dalam penglahan berbaga kreas aneka bentuk cake. Ada beberapa hal yang terjad jka cake dasar puth hasl pemanggangan kurang bak antara lan: berkurangnya kualtas rasa kue cake karena ver matang ataupun kurang matang, berkurangnya permntaan knsumen akbat menurunnya kualtas rasa dan menngkatkan baya prduks. Kemampuan dasar yang wajb dmlk pada saat prses pemanggangan cake dasar adalah menentukan tngkat kematangan berdasarkan grade warna permukaan. Umumnya penentuan

2 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 51 tngkat kematangan bergantung pada perseps dan pengalaman masng-masng rang terhadap faktr kmpss warna yang dmlk leh kue cake. Faktr perseps dan pengalaman serng menjad kendala dalam penentuan keakuratan kematangan. Hal n karena perseps terhadap warna setap rang berbeda, khususya perseps grade warna kematangan cake dasar puth yang membutuhkan keahlan dan pengalaman yang cukup. Kemajuan sstem penglahan ctra, yang dalam pengaplkasannya dgabungkan dengan metde jarngan syaraf truan (JST), memungknkan dlakukannya penentuan tngkat kematangan kue cake dasar puth berdasarkan grade warna permukaan pada saat tahapan prses pemanggangan dengan lebh akurat. II. MATERI DAN METODE 2.1 Data Peneltan Data yang dgunakan dalam peneltan n berupa data ctra kue cake dasar puth dan kue cake dasar ckelat berfrmat *.jpg dengan jens ctra RGB. Data ctra terdr dar 15 pan kue cake, 9 pan kue cake dasar puth dan 6 pan cake dasar ckelat, data uj terdr dar 3 pan kue cake dasar puth dan 2 pan cake dasar ckelat sementara data lath terdr dar 6 pan kue cake dasar puth dan 4 pan kue cake dasar ckelat. Ttal ctra cake dasar puth 232 dan ctra kue cake dasar ckelat 24 dengan ttal ctra pada peneltan n 256 ctra. 2.2 Clr Flterng Clr flterng adalah suatu teknk penglahan ctra berdasarkan warna yang spesfk. Cara kerja clr flterng adalah dengan membandngkan kmpnen warna setap pxel ctra dengan warna spesfk. Kelebhan menggunakan metde clr flterng adalah sangat sederhana dalam melakukan penyarngan warna dalam ruang warna RGB (Red, Green, Blue) yang memberkan perfrma tercepat pada gambar RGB [1]. Persamaan untuk clr flterng warna RGB (red, green, blue) sebaga berkut : R R (x, y) = k mn < (x, y) < k max (2.1) G B G B (x, y) = k mn < (x, y) < k max (2.2) (x, y) = k mn < (x, y) < k max (2.3) dmana : R (x, y) R (x, y) G, (x, y) G, (x, y) B, (x, y) B, (x, y) = nla ntenstas warna red, green, blue setelah clr flterng = nla ntenstas warna red, green, blue yang djadkan nputan untuk prses clr flterng. k mn = nla ntenstas batas bawah untuk warna red, green, blue. k max = nla ntenstas batas atas untuk warna red, green, blue. 2.3 Learnng Vectr Quantzatn (LVQ) Learnng Vectr Quantzatn (LVQ) merupakan algrtma pembelajaran kmpettf vers terawas dar algrtma Khnen Self - Organzng Map (SOM). Lapsan kmpettf akan secara tmats belajar untuk mengklasfkaskan vektr-vektr nput [2]. Kelas-kelas yang ddapatkan sebaga hasl dar lapsan kmpettf hanya tergantung pada jarak antara vektr-vektr nput. Jka vektr nput mendekat sama, maka lapsan kmpettf akan meletakkan kedua vektr nput tersebut ke dalam kelas yang sama. Cnth arstektur dar LVQ dapat dlhat pada gambar 2.1.

3 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 52 Gambar 2.1 Arstektur LVQ (sumber : Fauset, 1994) Keterangan: x 1, x 2, x 3 = vektr-vektr nputan w w nm = nla vektr bbt y 1...y n = vektr vektr utput Algrtma pembelajaran dar metde LVQ : 1. Tetapkan: a. Bbt (w). b. Maksmum Eph (MaxEph). c. Errr mnmum yang dharapkan (Eps). d. Laju pembelajaran (α). 2. Masukkan: a. Inputx(n,m); m = jumlah nput, n = jumlah data. b. Target T(1,n). 3. Tetapkan knds awal: Eph = Kerjakan jka: (Eph<MaxEph) atau (α>eps) a. Eph = Eph+1; b. Kerjakan untuk = 1 sampa n. Tentukan j sedemkan hngga mnmum dengan menggunakan rumus sebaga berkut: C j = x - w j. Perbak w j dengan ketentuan: Jka T = C j maka: w j(baru) = w j(lama) + α (x - w j(lama) ) Jka T C j maka: w j(baru) = w j(lama) - α (x - w j(lama) ) c. Kurang nla laju pembelajaran dengan rumus sebaga berkut: α (baru) = α (lama) (0,1*α (lama) ) 2.4 Metde Statstka Metde statstka merupakan metde yang dgunakan dalam penggumpulan, penyajan, analss serta penympulan data. Dengan metde statstka, data yang dperleh dapat alah menja nfrmas yang lebh jelas. Dalam peneltan n menggunakan metde statstka yatu perhtungan rata-rata (mean). Perhtungan rata-rata [3] adalah sebaga berkut : Mean(μ) = x =x1+x2 xn μ = Rata-rata htung (mean) x = data n = Jumlah data n (2.4)

4 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~ Tahap Penentuan Identfkas Kematangan Cake Dasar puth Tahap dentfkas tngkat kematangan kue cake dasar puth terdr dar dua tahap yatu tahap pelathan dan tahap pengujan. Tahap pelathan terdr dar beberapa prses yatu akuss ctra, segmentas (clr flterng), perhtungan luas ctra, perhtungan nla rata-rata RGB, pelathan dengan JST LVQ. Sementara untuk tahap pengujan yatu akuss ctra, segmentas (clr flterng), perhtungan luas ctra, perhtungan nla rata-rata RGB dan dentfkas. Gambar 3.1 Flwchart tahap pelathan Gambar 3.2 Flwchart tahap pengujan 2.6 Arstektur Perhtungan JST Prses perhtungan menggunakan tga nputan nla cr yatu nla red, green, blue (RGB) dengan target 5 kelas utput yatu kelas belum matang, pndah rak, matang, ver matang dan ckelat sebaga kelas valdas sstem. Cnth arstektur JST untuk prses perhtungan sepert gambar 3.3. Keterangan: x 1, x 2, x 3 w 11, w 12...w 35 y 1, y 3, y 3, y 4, y 5 Gambar 3.3 Arstektur JST untuk perhtungan = nputan nla cr RGB = bbt = utput kelas kematangan III. HASIL DAN PEMBAHASAN 3.1 Pengujan Sstem Pengamblan ctra menggunakan dua kamera yatu kamera handphne nka 6303 classc 3.2 MP dan kamera handphne andrd xm redme nte4 13 MP. Data kue cake yang dgunakan

5 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 54 dalam peneltan n terdr dar 9 pan cake puth dan 6 pan cake ckelat. Dataset cake puth dan cake ckelat dapat dlhat pada tabel 3.1. Tabel 3.1 Dataset cake puth dan cake ckelat Cake Puth Cake Ckelat P1-P2-P3-P4-P5-P6-P7-P8-P9 C1-C2-C3-C4-C5-C6 Keterangan: P1,P2,..P9 = cake puth C1,C2,..C6 = cake ckelat Pada peneltan n penelt menggunakan lma kelas krtera dalam dentfkas tngkat kematangan cake dasar puth yang terdr dar empat kelas untuk cake dasar puth yatu kelas belum matang, pndah rak, matang serta ver matang dan satu kelas valdas yatu cake dasar ckelat. Keterangan masng-masng kelas dapat dlhat pada tabel 3.2. Tabel 3.2 Kelas kematangan kue cake 3.2 Skenar Pengujan Pengujan pada peneltan menggunakan metde crss valdatn. Dmana metde n dgunakan untuk mengetahu rata-rata keberhaslan dar suatu sstem. Crss valdatn dawal dengan membag data sejumlah fld yang dngnkan. Data yang dgunakan dalam pengujan crss valdatn pada tahap n sebanyak 9 data cake puth dan 6 data cake ckelat. Langkah awal dalam pengujan adalah membag data ke dalam 3 fld, masng-masng fld terdr dar 6 pan cake dasar puth dan 4 pan cake dasar ckelat untuk data lath serta 3 pan cake dasar puth dan 2 pan cake dasar ckelat untuk data uj. Prses pembagan k-fld untuk data cake dasar puth dan cake dasar ckelat dapat dlhat pada tabel 3.3 Tabel 3.3 Pembagan k-fld cake dasar puth dan cake dasar ckelat Pada k-fld ke satu, dua dan tga data uj yang dgunakan adalah 88 ctra, 80 ctra dan 88 ctra sementara data lath yang dgunakan adalah 168 ctra, 176 ctra dan 168 ctra dengan ttal masng-masng k-fld 256 ctra. Setap k-fld akan dlath data lathnya secara berulang-ulang menggunakan beberapa nla pada ketga parameternya yatu max epch (100, 200, 300), errr mnmum (0,1, 0,01 dan 0,001) dan learnng rate (0,05).

6 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 55 Pelathan dan Pengujan dengan Kamera Handphne Nka 6303 Classc 3.2 MP Tabel 3.4 Pelathan dan pengujan k=1 kamera 3.2 MP Tabel 3.5 Pelathan dan pengujan k=2 kamera 3.2 MP Tabel 3.6 Pelathan dan pengujan k=3 kamera 3.2 MP

7 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 56 Pelathan dan Pengujan Kamera Handphne Andrd Xm redme nte4 13 MP Tabel 3.7 Pelathan dan pengujan k=1 kamera 13 MP Tabel 3.8 Pelathan dan pengujan k=2 kamera 13 MP Tabel 3.9 Pelathan dan pengujan k=3 kamera 13 MP

8 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~ Pembahasan Penentuan tngkat kematangan kue cake dasar puth, data ctra dambl menggunakan 2 kamera yatu kamera handphne nka 6303 classc 3.2 MP (1536 x 2048 pxel) dan kamera handphne andrd xm redme nte4 13 MP (3120 x 4160 pxel). Data ctra terbag atas data lath dan data uj yang dlath dan duj menggunakan metde k-fld crss valdatn dengan jumlah k-fld=3. Setap k-fld melalu prses pelathan dan pengujan sebanyak tga kal dengan parameter yang berbeda-beda, hal untuk mendapatkan hasl akuras sstem yang bak. Akuras pengujan dar 2 kamera yang dgunakan dapat djelaskan sebaga berkut: a. Kamera Handphne Nka 6303 Classc 3.2 MP Pada tabel 5.11 rata-rata akuras kelas cake dasar puth untuk k-fld satu sampa k-fld tga, pada pembelajaran pertama yatu belum matang 72,32%, pndah rak 60,42%, matang 60,42%, ver matang 50,56% dengan rata-rata akuras sstem yatu 60,93% dan k-fld terbak adalah k=2. Sementara rata-rata akuras kelas cake dasar ckelat 97,91%. Pembelajaran kedua rata-rata akuras kelas cake dasar puth yatu: belum matang 72,20%, pndah rak 82,64%, matang 20,14%, ver matang 63,65% dengan rata-rata akuras sstem 59,66% dan k-fld terbak adalah k=3. Sementara rata-rata akuras kelas cake dasar ckelat 96,88%. Untuk pembelajaran ketga akuras rata-rata kelas cake dasar puth yatu belum matang 76,91%, pndah rak 66,67%, matang 26,39%, ver matang 65,56% dengan ratarata akuras sstem 58,88% dengan k-fld terbak adalah k=3. Sementara rata-rata akuras kelas cake dasar ckelat 95,84%. Berdasarkan pembelajaran pertama, kedua dan ketga maka akuras sstem terbak untuk cake dasar puth yatu 60,93% dengan nla k-fld terbak adalah k=3 yatu pada pembelajaran ketga dengan nla akuras sstem 65,19%. Sementara rata-rata akuras terbak cake dasar ckelat 97,91%. Tabel 3.10 Perbandngan akuras pengujan kamera 3.2 MP b. Kamera Handphne Andrd Xm redme nte4 13 MP Pada tabel 5.12 rata-rata akuras kelas cake dasar puth untuk k-fld satu sampa k-fld tga, pada pembelajaran pertama yatu belum matang 55,37%, pndah rak 76,39%, matang 52,78%, ver matang 55,83% dengan rata-rata akuras sstem yatu 60,09% dan k-fld terbak adalah k=2. Sementara rata-rata akuras kelas cake dasar ckelat 89,59%. Pembelajaran kedua rata-rata akuras kelas cake dasar puth yatu: belum matang 64,60%, pndah rak 70,84%, matang 29,17%, ver matang 52,26% dengan rata-rata akuras sstem 54,22% dan k-fld terbak adalah k=2. Sementara rata-rata akuras kelas cake dasar ckelat 86,46%. Untuk pembelajaran ketga akuras rata-rata kelas cake dasar puth yatu belum matang 73,40%, pndah rak 39,59%, matang 38,89%, ver matang 55,13% dengan ratarata akuras sstem 51,75% dan k-fld terbak adalah k=2. Sementara rata-rata akuras kelas

9 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 58 cake dasar ckelat 88,54%. Berdasarkan pembelajaran pertama, kedua dan ketga maka akuras sstem terbak untuk cake dasar puth yatu 60,09% dengan nla k-fld terbak adalah k=2 yatu pada pembelajaran pertama dengan nla akuras sstem 64,93%. Sementara rata-rata akuras terbak cake dasar ckelat 89,59%. Tabel 3.11 Perbandngan akuras pengujan kamera 13 MP Akuras terbak penentuan tngkat kematangan kue cake dasar puth pada peneltan n yatu untuk kamera handphne nka 6303 classc 3.2 MP sebaga berkut: kelas belum matang 75,53%, pndah rak 81,25%, matang 47,92%, ver matang 56,06% dengan rata-rata akuras 65,19% dan akuras cake dasar ckelat sebaga kelas valdas mencapa 96,88%. Sementara pada kamera handphne andrd xm redme nte4 13 MP dperleh akuras terbak untuk cake dasar puth yatu kelas belum matang 61,77%, pndah rak 83,34%, matang 52,09%, ver matang 62,50% dengan rata-rata akuras 64,93% dan akuras cake dasar ckelat sebaga kelas valdas mencapa 93,75% Semakn kecl nla errr mnmum yang dgunakan pada prses pelathan rata-rata akuras sstem yang dperleh semakn kecl, bak tu pelathan untuk data pada kamera 3.2 MP dan data pada kamera 13 MP, sehngga dapat dsmpulkan bahwa data peneltan setap kelas mash bervaras atau hetergen. Dapat dlhat pada tabel 5.11 dan tabel 5.12 Faktr-faktr yang mempengaruh akuras sstem pada peneltan n antara lan: a. Knds pencahayaan dalam ruangan. Knds cahaya ruangan melput penggunaan atau tanpa penggunaan cahaya msalnya cahaya lampu atau hanya menggandalkan cahaya ruangan yang bersumber dar cahaya matahar. Arah sumber cahaya juga sangat berpengaruh msalnya dar sampng atau dar atas yang akan berpengaruh pada nla ntenstas kecerahan gambar yang dhaslkan. b. Jarak pengamblan gambar dar target. Faktr jarak pengamblan gambar berpengaruh pada hasl dentfkas msalnya jarak pengamblan 10 cm dar byek memlk nla tngkat ntenstas kecerahan yang berbeda dengan jarak pengamblan 20 cm dan seterusnya. c. Pan atau wadah penampung kue cake. Pan atau wadah penampung harus dpsahkan dengan kue cake (crppng) sebab antara pan dan kue cake memlk gradas warna yang berbeda sehngga jka pan kut dprses maka akan mempengaruh nla cr RGB kue cake yang sebenarnya dan juga mempengaruh nla akuras sstem.

10 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 59 IV KESIMPULAN DAN SARAN 4.1 Kesmpulan Berdasarkan hasl peneltan pada sstem penentuan tngkat kematangan kue cake dasar puth menggunakan metde ekstraks warna red, green, blue dengan pembelajaran Learnng Vectr Quatzatn (LVQ), maka dapat dsmpulkan sebaga berkut: 1. Akuras sstem penentuan tngkat kematangan kue cake dasar puth menggunakan kamera handphne Nka 6303 Classc 3.2 MP yatu kelas belum matang 75,53%, pndah rak 81,25%, matang 47,92%, ver matang 56,06% dengan rata-rata akuras sstem 65,19% sementara rata-rata akuras cake dasar ckelat sebaga kelas valdas yatu 96,88%. Sedangkan akuras menggunakan kamera handphne Andrd Xm redme nte4 13 MP yatu kelas belum matang 61,77%, pndah rak 83,34%, matang 52,09%, ver matang 62,50% dengan rata-rata akuras 64,69% dan rata-rata akuras cake dasar ckelat sebaga kelas valdas yatu 93,75%. 2. Berdasarkan peneltan n ada beberapa faktr yang mempengaruh hasl akuras sstem yatu: a) Cahaya dalam ruangan. b) Jarak pengamblan gambar dar target bjek c) Pan atau wadah penampung kue cake. 4.2 Saran Akuras sstem dalam peneltan sangat dpengaruh leh faktr cahaya ruangan, jarak pengamblan ctra, waktu penggamblan dan pan atau wadah penampung. Dharapkan pada peneltan selanjutnya dapat dgunakan suatu metde yang mampu menyelesakan faktr-faktr penyebab datas, sehngga akuras sstem dapat lebh bak dar peneltan n. UCAPAN TERIMA KASIH Penuls mengucapkan terma kash kepada Ibu Adrana Fanggdae, ST, M.Cs selaku dsen penguj. DAFTAR PUSTAKA [1]Pradhtya, R., 2015, Pembangunan Aplkas Deteks dan Trackng Warna Vrtual Drawng Menggunakan Algrtma Clr Flterng, Jurnal Ilmah Kmputer dan Infrmatka (KOMPUTA),ISSN: [2]Prahara.H. W dan Sela. E. I., 2016, Tngkat Buah Pepaya dengan Jarngan Syaraf LVQ, Semnar Rset Teknlg Infrmas (SRITI) tahun [3]Sant.R.C.N dan Enyat.S., 2015, Implementas Statstk dengan Database Mysql, Jurnal Teknlg Infrmas DINAMIK Vlume 20, N.2, Jul 2015 : ISSN : [4] Agan.D.G.,dkk, 2015, Identfkas Kematangan Buah Marksa (Passflra eduls) Dengan Penglahan Cta Menggunakan Jarngan Syaraf Truan.J.Rekayasa Pangan dan Pert.,Vl.3 N.3 Th [5] Elyan dkk, 2013, Pengenalan Tngkat Kematangan Buah Pepaya Paya Rab menggunakan Penglahan Ctra Berdasarkan Warna RGB dengan K-Means Clusterng,Semnar Nasnal Teknlg Infrmas dan Kmunkas (SNATIKOM 2013),ISBN [6] Fausett,L., 1994, Fundamental f Neural Netwrks,Prentce Hall,New Jersey. [7] Jatmka dan Purnamasar, 2014, Rancang Bangun Alat Pendeteks Kematangan Buah Apel Dengan Menggunakan Metde Image Prcessng Berasaran Kmpss Warna, Jurnal Ilmah Teknlg dan Infrmas ASIA, Vl.8 N 1, Februar [8] Kusumadew S,2003, Artfcal Intellgence (teknk dan Aplkasnya), Graha Ilmu, Ygyakarta. [9]Nurraharj.E, 2012, Implementas Image Statstc Methd pada penglahan ctra dgtal,jurnal Teknlg Infrmas DINAMIKA Vlume 17,N.1,Januar 2012:01-05.

11 J-ICON, Vl. 7 N. 1, Maret 2019, pp. 50~60 60 [10]Oetm, Bud Sutedj Dharma, 2002, Perencanaan dan Pengembangan Sstem Infrmas, Eds I, ANDI Ygyakarta. [11]Ranadh D., 2006, Implementas Learnng Vectr Quantzatn (LVQ) untuk Pengenal Pla Sdk Jar Pada Sstem Infrmas Narapdana LP Wrgunan, Skrps, Jurusan Teknk Infrmatka, Fakultas Teknk Industr, Unverstas Islam Indnesa, Ygyakarta. [12]Rska.S.Y., 2015, Klasfkas Level Kematangan Tmat Berdasarkan Perbedaan Perbakan Ctra Menggunakan Rata-rata RGB dan Index Pxel, Jurnal Ilmah Teknlg dan Infrmas ASIA (JITIKA),Vl 9,N.2,Agustus 2015.ISSN: X. [13]Syakry dkk, 2013, Analsa Tngkat Kandungan Nla Warna untuk Penentuan Tngkat Kematangan pada Ctra Buah Papaya Callna, Jurnal Ilmah Elte Elektr, Vl.4 N 1, Maret 2013:31-37.