Klasifikasi kematangan apel dengan ekstraksi fitur warna dan algoritma SVM (Support Vector Machine)

Mubarok, Fikri Fikrul (2016) Klasifikasi kematangan apel dengan ekstraksi fitur warna dan algoritma SVM (Support Vector Machine). Diploma thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
1_COVER.pdf

Download (213kB) | Preview
[img]
Preview
Text (ABSTRAK)
2_ABSTRAK.pdf

Download (391kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
3_DAFTAR ISI.pdf

Download (392kB) | Preview
[img]
Preview
Text (BAB I)
4_BAB I.pdf

Download (573kB) | Preview
[img] Text (BAB II)
5_BAB II.pdf
Restricted to Registered users only

Download (1MB)
[img] Text (BAB III)
6_BAB III.pdf
Restricted to Registered users only

Download (1MB)
[img] Text (BAB IV)
7_BAB IV.pdf
Restricted to Registered users only

Download (1MB)
[img] Text (DAFTAR PUSTAKA)
8_DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (422kB)

Abstract

INDONESIA Buah apel merupakan salah satu jenis buah yang digemari di indonesia. Tingginya tingkat produksi dan distribusi apel yang luas mengharuskan petani mampu mengklasifikasikan tingkat kematangan apel yang dapat mengurangi resiko pembusukan apel. Keakuratan klasifikasi kematangan apel sangat penting. Klasifikasi kematangan apel saat ini kebanyakan masih menggunakan metode manual, yaitu penilaian subjektif dari petani yang memiliki kelemahan dalam tingkat akurasi yang rendah dan penilaian yang tidak konsisten. Perlu dikembangkan metode otomatis yang dapat meningkatkan tingkat akurasi dengan penilaian yang konsisten. Penelitian bertujuan untuk mengklasifikasikan citra apel dengan menggunakan ekstraksi fitur warna dan algoritma support vector machine. Citra terlebih dahulu akan di ekstraksi fitur warna RGB nya dengan cara mencari nilai rata-rata setiap chanel red, green dan blue. Nilai dari setiap pixel akan di jumlahkan dan dibagi jumlah semua pixel yang ada. Selanjunya nilai RGB akan di jadikan machine learning yang merupakan supervised learning algoritma support vecor machine sehingga akan dihasilkan sebuah klasifikasi yang akan menentukan kematangan buah apel menjadi mentah, mengkal, matang atau busuk. Hasil pengujian sistem klasifikasi kematangan apel dari 100 citra yang diuji menghasilkan 92 citra terklasifikasi secara benar dan 8 citra terklasifikasi secara salah sehingga akurasi nya adalah 0,92 dan laju error nya adalah 0,08. Berdasarkan hasil tersebut, maka dapat disimpulkan bahwa klasifikasi menggunakan ekstraksi fitur warna dan algoritma support vector machine dapat digunakan untuk klasifikasi kematangan buah apel. ENGLISH Apple is one of many favorite fruit in Indonesia. High production and extensive distribution of apple require farmers to classify the ripeness of apple which can subtract the risk of putrefaction. It is important to precise apple ripeness classification. Mostly apple ripeness classification still uses manual method, that is subjective assessment from the farmers which have shortcoming of low exact percentage and inconsistency grade. Automatic method has to be developed which can increase accuracy with consistency grade. Research have a purpose to classify imagery of apple with the way of extraction color features and support vector machine algorithm. Firstly, imagery of apple will be extracted with RGB color features by looking for the average grade of each red, green and blue channel. The grades of each pixel will be sum and divided total of the pixels. next step is RGB value will become a machine learning which is supervised learning algorithm vector machine produced a classification which will determine the ripeness of apple become unripe, improperly ripened, ripen or rotten. The result of classification system of apple ripeness from 100 sample produced 92 sample classified exactly and 8 sample classified wrong, with the result that accurate is 0,92 and error is 0,08. Based on the result, can be conclude that by classification of extraction color features and algorithm support vector machine it can use for classification of apple ripeness.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: Algoritma Support Vector Machine; Ekstraksi Fitur Warna; Klasifikasi Apel; Machine Learning; Supervised learning;
Subjects: Data Processing, Computer Science > Computer Science Education
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Informatika
Depositing User: rofita fita robi'in
Date Deposited: 26 Apr 2019 02:05
Last Modified: 26 Apr 2019 02:05
URI: https://digilib.uinsgd.ac.id/id/eprint/19898

Actions (login required)

View Item View Item