Aplikasi Image Retrieval dengan Histogram Warna dan Multi-scale GLCM

Halim, Arwin; Hardy, Hardy; Mytosin, Mytosin

doi:10.55601/jsm.v16i1.186

Cited by 2 publications

(2 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Jika sebuah citra dengan jumlah piksel P maka mean warna red (R), green (G) dan Blue (B) berturut-turut diberikan oleh (2),( 3 GLCM melakukan tabulasi berkaitan dengan frekuensi intensitas piksel pada berbagai posisi dalam suatu citra [9], [10]. Ada empat macam fitur tekstur yang sering digunakan dalam GLCM ialah energi, kontras, korelasi, dan homogenitas [11]. Energi merupakan fitur yang diukur melalui konsentrasi pasangan intensitas pada matriks co-occurance.…”

Section: Tinjauan Literaturunclassified

Identification of Barangan Banana Ripeness Treatment Types using k-Nearest Neighbor

Abdullah

Azrian²

2022

SISTEMASI

View full text Add to dashboard Cite

Buah pisang diminati oleh masyarakat dikarenakan buah pisang kaya akan nutrisi yang memang diperlukan oleh tubuh kita. Salah satu buah pisang yang diminati masyarakat adalah pisang jenis barangan. Barangan yang dijual di pasar memiliki berbagai jenis kematangan yang berbeda-beda berdasarkan perlakuannya. Tujuan penelitian ini adalah melakukan identifikasi terhadap jenis perlakuan kematangan barangan. Identifikasi dilakukan berdasarkan analisa terhadap citra pisang barangan dengan menggunakan fitur warna dan tekstur. Dalam melakukan identifikasi digunakan metode K-Nearest Neighbor (k-NN). k-NN membandingkan kemiripan antara data yang belum diketahui dengan data sampel. Nilai k yang digunakan pada penelitian ini adalah k=1, k=3, dan k=5. Pengukuran kemiripan menggunakan Euclidean Distance, yang merupakan jarak antara 2 vektor fitur. Pengujian klasifikasi menggunakan metode Holdout, dimana persentase jumlah data sampel dan data uji adalah 66,67 % data latih dan 33,33 % data uji. Akurasi yang diperoleh pada k=1 sebesar 86,67 %, pada k=3 sebesar 76,67 %, dan pada k=5 sebesar 80%. Akurasi terbaik untuk identifikasi jenis perlakuan kematangan pisang barangan menggunakan metode k-Nearest Neighbor didapat pada k=1 dengan akurasi mencapai 86,67 %.

show abstract

Section: Tinjauan Literaturunclassified

Identification of Barangan Banana Ripeness Treatment Types using k-Nearest Neighbor

Abdullah

Azrian²

2022

SISTEMASI

View full text Add to dashboard Cite

show abstract

“…Pada penelitian ini, klasifikasi dengan metode K-Nearest Neighbor didasarkan pada ciri warna dan bentuk pada citra kedelai hitam (Malika). Ciri warna dan bentuk pada citra kedelai hitam (Malika) diperoleh dari tahapan ekstraksi warna kedelai menggunakan metode histogram warna yang merupakan representasi distribusi warna pada gambar [7], kemudian dilanjutkan ektraksi ciri bentuk dengan menggunakan parameter axis major, axis minor, keliling dan area [8]. Dengan adanya metode klasifikasi menggunakan algoritma K-Nearest Neighbor, biji kedelai hitam (Malika) dapat diidentifikasi berdasarkan ciri warna dan bentuk pada citra kedelai hitam (Malika).…”

unclassified

Klasifikasi Kualitas Citra Kedelai Hitam (Malika) Menggunakan Metode K-Nearest Neighbor

Septiana

Fiolana

Erwanto

2022

JEECOM

View full text Add to dashboard Cite

Kedelai hitam dengan nama latin (Glycine max (L.) Merrill) merupakan tanaman asli Asia yang sangat cocok ditanam di wilayah tropis seperti Indonesia. Kedelai merupakan tanaman pangan yang dapat diolah menjadi beberapa olahan, salah satunya diolah menjadi kecap. Penggunaan metode manual masih memiliki kekurangan salah satunya, biaya yang digunakan dalam pemilahan biji kedelai relatif besar yang diakibatkan karena dalam metode pemilahan secara manual dibutuhkan tenaga kerja yang banyak. Untuk itu, perlu adanya metode klasifikasi secara otomatis untuk mengatasi kekurangan dari metode manual. Dengan menerapkan metode klasifikasi K-Nearest Neighbor berdasarkan ciri warna dan bentuk, diharapkan mampu mengklasifikasi kedelai hitam (Malika) secara otomatis sehingga dapat menekan biaya yang digunakan pada metode manual. Dengan ekstraksi warna menggunakan histogram warna dan bentuk menggunakan parameter axis major, axis minor, keliling, area. Pada penelitian ini menggunakan metode penelitian eksperimen merupakan metode sistematis guna membangun hubungan yang mengandung fenomena sebab akibat. Pada penelitian ini menggunakan masukan citra dengan jumlah citra 500 biji malika dengan 250 citra malika baik dan 250 citra malika jelek, serta terdiri dari citra traning 400 citra dan citra testing 100. Berdasarkan hasil penujian, dilakukan uji coba tingkat keakurasian K dari K = 1 sampai K = 40. Didapatkan akurasi tertinggi pada K = 5 sebesar 91% dan akurasi terendah pada K = 1 sebesar 87%. Pengujian terhadap penelitian ini dilakukan menggunakan 20 citra input menggunakan rincian 10 input uji malika baik, 10 citra input uji malika jelek. Dengan hasil klasifikasi mampu membedakan atau memberi label biji malika baik dan jelek. Berdasrkan penelitian yang telah dilakukan, dapat disimpulkan bahwa algoritma K-Nearest Neighbor bisa membantu mengklasifikasi biji kedelai hitam malika baik dan jelek.

show abstract

Aplikasi Image Retrieval dengan Histogram Warna dan Multi-scale GLCM

Cited by 2 publications

References 5 publications

Identification of Barangan Banana Ripeness Treatment Types using k-Nearest Neighbor

Identification of Barangan Banana Ripeness Treatment Types using k-Nearest Neighbor

Klasifikasi Kualitas Citra Kedelai Hitam (Malika) Menggunakan Metode K-Nearest Neighbor

Contact Info

Product

Resources

About