Klasifikasi Mutu Pepaya Berdasarkan Ciri Tekstur GLCM Menggunakan Jaringan Saraf Tiruan

Wibowo, Feri; Harjoko, Agus

doi:10.23917/khif.v3i2.4516

Cited by 20 publications

(21 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Langkah selanjutnya, citra saturasi tersebut dilakukan proses pengambilan ekstraksi fitur warna dan tekstur. Ekstraksi fitur warna diambil berdasarkan nilai mean saturasi citra, sedangkan ekstraksi fitur tekstur diambil menggunakan fitur Gray Level Co-Occurrence Matrix (GLCM) yang dinilai paling efektif [9]. GLCM adalah matriks derajat keabuan yang merepresentasikan hubungan suatu derajat keabuan dengan derajat keabuan lain.…”

Section: Pendahuluanunclassified

Penentuan Tingkat Kematangan Cabe Rawit (Capsicum frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix

Fitri

Nuhanatika

Madjid

et al. 2020

J-TIT

View full text Add to dashboard Cite

The demand for cayenne pepper in Indonesia tends to increase annually, but the productivity of cayenne pepper continues to decline and depends on the changing seasons. One of the factors that must be considered in the harvest of cayenne pepper is the level of maturity. This research aims to classify the maturity level of cayenne pepper using the extraction of color and texture features. The extraction of features based on the color is taken from the mean saturation value, while the extraction of feature-based textures uses the value of the Gray Level Co-Occurrence Matrix (GLCM) feature ASM (Angular Second Moment), contrast, IDM (Inverse Difference (Entropy) and correlation (Correlation) then using angles of 0 ° and 45 °. These features become input in the classification process using the Backpropagation method. The results of the system training are able to classify the level of maturity of cayenne pepper with an accuracy of 81.4% and an accuracy of the testing process of 74.2%. Permintaan cabai rawit di Indonesia cenderung meningkat setiap tahunnya, namun produktivitas cabai rawit terus menurun dan bergantung pada pergantian musim. Salah satu faktor yang harus diperhatikan dalam panen cabai rawit adalah tingkat kematangan. Penelitian ini bertujuan untuk melakukan klasifikasi tingkat kematangan cabai rawit menggunakan ekstraksi fitur warna dan tekstur. Ekstraksi fitur berdasarkan warna diambil dari nilai mean saturasi, sedangkan ekstraksi fitur berdasarkan tekstur menggunakan nilai fitur Gray Level Co-occurrence Matrix (GLCM) yaitu ASM (Angular Second Moment), Kontras (Contrast), IDM (Inverse Difference Momentum), Entropi (Entropy) dan Korelasi (Correlation) dan menggunakan sudut 0° dan 45°. Fitur-fitur tersebut menjadi masukan pada proses klasifikasi menggunakan metode Backpropagation. Hasil pelatihan sistem mampu mengklasifikasi tingkat kematangan cabai rawit dengan akurasi sebesar 81,4% dan akurasi proses pengujian cabai rawit sebesar 74,2%.

show abstract

Section: Pendahuluanunclassified

Penentuan Tingkat Kematangan Cabe Rawit (Capsicum frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix

Fitri

Nuhanatika

Madjid

et al. 2020

J-TIT

View full text Add to dashboard Cite

show abstract

“…Jenis pepaya yang digunakan adalah Calina IPB-9, klasifikasi dilakukan ke dalam tiga kelas mutu yaitu Super, A, dan B. Fitur tekstur yang digunakan adalah energy, entropy, contras, homogeneity, invers difference moment, variance, dan dissimilarity. Hasil pengujian menunjukan fitur energy, dan entropy dapat memberikan tingkat akurasi sebesar 86.11% [3].…”

Section: Pendahuluanunclassified

“…Proses ini diawali dengan mengubah citra menjadi citra skala keabuan dengan menggunakan rumus (1). Entropi (2) Standar Deviasi (3) Nilai kontras, homogenitas, korelasi, dan energi merupakan nilai tekstur analisis didapatkan dari Gray Level Cooccurrence Matrix (GLCM) [13,14] yang disajikan pada Gambar 7 [15].…”

Section: Gambar 5 Kamera Yang Digunakanunclassified

“…Selaras dengan beberapa penelitian sejenis [3][4][5][6][7][8][9][10][11][12][13] yang memadukan penggunakan fitur tekstur analisis dengan JST mampu memberikan tingkat akurasi keberhasilan mulai dari 80% hingga 100%. Penelitian ini membuktikan bahwa pengenalan atau identifikasi kadar campuran semen dan pasir dapat dilakukan dengan menggunakan kecerdasan buatan (JST) berbasiskan citra, hal ini dapat dilihat dari hasil pengujian yang disajikan pada Tabel 3 yang mampu memberikan tingkat akurasi pengenalan hingga 87,33%.…”

Section: Kesimpulanunclassified

See 1 more Smart Citation

Identifikasi Kadar Semen dan Pasir pada Campuran Kering Menggunakan Metode Backpropagation

Gasim¹,

Sudiadi²

2019

khif

View full text Add to dashboard Cite

Abstrak-Campuran perekat dan juga plesteran dinding pada bangunan biasanya terdiri dari semen dan pasir. Perbedaan kadar campuran semen dan pasir berdampak pada kekuatan hasil. Penelitian ini mengimplementasikan kecerdasan buatan untuk mengidentifikasi atau mengenali kadar campuran semen dan pasir melalui citra campuran semen dan pasir yang sudah kering. Penelitian ini menggunakan enam macam campuran semen dan pasir. Pengumpulan data citra dilakukan dengan cara pemotretan menggunakan kamera resolusi sensor sebesar 7 MP, jarak potret lebih kurang 8 cm, dilakukan pada siang hari, dan tidak menggunakan cahaya dari lampu kamera. Citra latih dan citra uji berukuran 500x500 piksel, serta banyaknya citra latih adalah 300 citra dan 150 citra sebagai data uji. Metode pengenalan menggunakan jaringan syaraf tiruan dengan algoritma propagasi balik (backpropagation), dengan input berupa nilai tekstur dari citra campuran semen dan pasir yang sudah kering. Tingkat akurasi keberhasilan identifikasi adalah 87.33%. Penelitian ini berhasil mengimplementasikan JST dan fitur tekstur analisis dari GLCM dengan jarak potret dan resolusi kamera tertentu, serta penelitian ini dapat menjadi referensi pada penelitian lanjutan.

show abstract

“…NN method is often used as a classification method because of its robust characteristics. It can even be used for quality classification [9]. Detecting malware through network traffic analysis -which is mostly in time-series data -suits with the NN machine learning method.…”

Section: Introductionmentioning

confidence: 99%

Detection of Cyber Malware Attack Based on Network Traffic Features Using Neural Network

Engel

Joshua

Engel

2020

khif

View full text Add to dashboard Cite

Various techniques have been developed to detect cyber malware attacks, such as behavior based method which utilizes the analysis of permissions and system calls made by a process. However, this technique cannot handle the types of malware that continue to evolve. Therefore, an analysis of other suspicious activities -namely network traffic or network traffic -need to be conducted. Network traffic acts as a medium for sending information used by malware developers to communicate with malware infecting a victim's device. Malware analyzed in this study is divided into 3 classes, namely adware, general malware, and benign. The malware classification implements 79 features extracted from network traffic flow and an analysis of these features using a Neural Network that matches the characteristics of a timeseries feature. The total flow of network traffic used is 442,240 data. The results showed that 15 main features selected based on literature studies resulted in F-measure 0.6404 with hidden neurons 12, learning rate 0.1, and epoch 300.As a comparison, the researchers chose 12 features based on the nature of the malware possessed, with the F-measure score of 0.666 with hidden neurons 12, learning rate 0.05, and epoch 300. This study found the importance of data normalization technique to ensure that no feature was far more dominant than other features. It was concluded that the analysis of network traffic features using Neural Network can be used to detect cyber malware attacks and more features does not imply better detection performance, but real-time malware detection is required for network traffic on IoT devices and smartphones.

show abstract

Klasifikasi Mutu Pepaya Berdasarkan Ciri Tekstur GLCM Menggunakan Jaringan Saraf Tiruan

Cited by 20 publications

References 1 publication

Penentuan Tingkat Kematangan Cabe Rawit (Capsicum frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix

Penentuan Tingkat Kematangan Cabe Rawit (Capsicum frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix

Identifikasi Kadar Semen dan Pasir pada Campuran Kering Menggunakan Metode Backpropagation

Detection of Cyber Malware Attack Based on Network Traffic Features Using Neural Network

Contact Info

Product

Resources

About