Klasifikasi Jenis Kayu Menggunakan Esktrasi Fitur Gray Level Co-Occurence Matrix dan Multilayer Perceptron

Wibowo, Deni Wahyu; Erwanto, Danang; Kusumastutie, Diah Arie Widhining

doi:10.25077/jnte.v10n1.788.2021

Cited by 5 publications

(5 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Kemampuan elemen matriks GLCM digabungkan untuk membentuk ASM. Nilai ASM akan tinggi jika citra memiliki nilai homogenitas yang tinggi atau nilai piksel yang hampir sama [17]. Untuk mencari nilai ASM menggunakan persamaan 6.…”

Section: Ekstraksi Fitur Gray Level Co-occurence Matrixunclassified

Klasifikasi Penyakit Bawang Merah Menggunakan Naive Bayes dan CNN dengan Fitur GLCM

Arfah,

Purnawansyah,

Darwis

et al. 2023

ijcs

View full text Add to dashboard Cite

Tanaman bawang merah merupakan salah satu tanaman penting dalam industri pertanian. Penyakit pada tanaman bawang merah dapat mengakibatkan kerugian yang signifikan bagi petani dan produsen. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah pada daun bawang merah yang disebabkan oleh bercak ungu dan moler. Pengumpulan data citra bawang merah dilakukan secara langsung yang dilanjutkan dengan tahap pre-processing sebelum pengklasifikasian penyakit pada tanaman bawang merah. Algoritma Naive Bayes dan CNN dengan ekstraksi fitur GLCM digunakan dalam penelitian ini untuk melakukan perbandingan klasifikasi antara dua metode tersebut dalam mengklasifikasikan penyakit tanaman bawang merah yaitu bercak ungu dan moler. Hasil pengujian dengan menggunakan citra sebanyak 160 penyakit moler dan 160 penyakit bercak ungu menunjukkan bahwa kedua algoritma klasifikasi Naive Bayes dan CNN dengan ekstraksi fitur GLCM mampu mengklasifikasikan penyakit moler dan penyakit bercak ungu pada daun bawang merah dengan akurasi yang baik sebesar 100%. Onion plants are one of the important crops in the agricultural industry. Diseases in onion plants can result in significant losses for farmers and producers. This research aims to classify onion diseases on onion leaves caused by priole blotch and molāris. The of onion image data colaction was performed directly, followed by a pre-processing stage before classifying diseases in onion plants. The Naive Bayes algorithm and CNN with GLCM feature extraction are used in this study to compare the classification between the two methods in classifying onion diseases. The test results using a total of 160 priole blotch and 160 molāris diseases show that both the Naive Bayes and CNN classification algorithms with GLCM feature extraction are capable of classifying priole blotch and molāris diseases on onion leaves with a perfect accuracy of 100%.

show abstract

Section: Ekstraksi Fitur Gray Level Co-occurence Matrixunclassified

Klasifikasi Penyakit Bawang Merah Menggunakan Naive Bayes dan CNN dengan Fitur GLCM

Arfah,

Purnawansyah,

Darwis

et al. 2023

ijcs

View full text Add to dashboard Cite

show abstract

“…Dalam tahapan perancangan system, peneliti membuat gambaran serta mempaparkan rancangan sistem kerja program dan desain antarmuka program beserta fungsi dari bagian-bagian yang ada di dalam program tersebut, serta dijelaskan juga tahapan preprocessing ialah tahapan pengolahan citra sebelum diekstrasi oleh GLCM, GLCM melakukan ekstraksi tekstur pada citra grayscale (skala keabu-abuan) [7]. Gambar 1 memperlihatkan source code konversi citra RGB ke grayscale.…”

Section: Perancangan Sistemunclassified

Weld Defect Classifier Using GLCM Extraction and ANN

Maulana

Yuliana²,

Kusumastutie³

2022

JTECS

View full text Add to dashboard Cite

Saat ini teknologi di bidang kontruksi berkembang sangat pesat dan semakin maju, hal itu tidak bisa dipisahkan dari pengelasan karena mempunyai peranan penting dalam rekayasa logam. Dalam kehidupan sehari-hari rekayasa logam bisa kita rasakan manfaatnya seperti kontruksi bangunan, alat tranportasi, hiasan, serta banyak lagi lainnya. Pada penelitian ini dilakukan pengklasifikasian jenis cacat las dengan cara merancang sistem klasifikasi mengunakan metode ekstraksi GLCM dan JST dengan jumlah sample citra 400 yang disusun di dataset. Alur pada system klasifikasi ini pra proses dan pada saat proses. Pada tahap pra proses dilakukan gray scaling untuk mengetahui citra keabuan pada citra. Selajutnya yaitu processing nilai yang didapat dari citra keabuan diekstraksi menggunakan GLCM dengan mencari nilai dari 4 fitur (kontras, homogenitas, energi, korelasi). Proses klasifikasi dilakukan dengan menggunakan nilai 4 fitur yang dijadikan input-an yang nantinya output-nya berupa 4 jenis cacat las yang sudah ditargetkan menggunakan hiden layer 20 30 4 yang menghasilkan tingkat akurasi pada sistem 99,375% dari 320 sampel dan dari data uji mendapatkan 87,5% dari 80 sampel.

show abstract

“…Parameter nilai pada ekstraksi fitur GLCM adalah correlation, contrast, energy dan homogenity. Hasil penelitian diperoleh tingkat akurasi terbaik pada data validasi sebesar 87,77% [20].…”

Section: Pendahuluanunclassified

Klasifikasi Kualitas Biji Kopi Menggunakan MultilayerPerceptron Berbasis Fitur Warna LCH

Ilhamsyah

Rahman

Istiadi

2021

RESTI

View full text Add to dashboard Cite

Coffee is one of Indonesia's foreign exchange earners and plays an important role in the development of the plantation industry. In previous studies, coffee bean quality research has been carried out using the ANN method using color features. RGB and GLCM. However, the results carried out in the study only had an accuracy value of up to 47%. Therefore, this study aims to improve the performance of coffee bean quality classification using four machine learning methods and 7 color features. From the results obtained, it shows that MultilayerPerceptron is better starting with RGB color with an accuracy of 38% split ratio 90:10. HSV has an accuracy of 57% split ratio 90:10. CMYK has an accuracy of 63% split ratio 90:10. LAB has a 58% curation split ratio of 90:10. The YUV type has an accuracy of 58% split ratio 90:10. Furthermore, the HSI color type has an accuracy of 42% split ratio 90:10. The HCL color type has an accuracy of 65% split ratio 90:10 and LCH has an accuracy of 78% split ratio 90:10. In testing, it can be concluded that the MultilayerPerceptron method is better than other methods for the coffee bean classification process.

show abstract

Klasifikasi Jenis Kayu Menggunakan Esktrasi Fitur Gray Level Co-Occurence Matrix dan Multilayer Perceptron

Cited by 5 publications

References 5 publications

Klasifikasi Penyakit Bawang Merah Menggunakan Naive Bayes dan CNN dengan Fitur GLCM

Klasifikasi Penyakit Bawang Merah Menggunakan Naive Bayes dan CNN dengan Fitur GLCM

Weld Defect Classifier Using GLCM Extraction and ANN

Klasifikasi Kualitas Biji Kopi Menggunakan MultilayerPerceptron Berbasis Fitur Warna LCH

Contact Info

Product

Resources

About