Low-level Images Extraction Features pada Algoritma SVM untuk Mengidentifikasi Kematangan Jeruk
Abstract
Terkadang jika melakukan identifikasi secara manual oleh petani buah masih memunculkan peluang terjadinya human error saat panen. Untuk itu, penelitian ini dilakukan bertujuan untuk pelatihan klasifikasi terhadap buah jeruk guna mengurangi error rate dalam pemanenan. Kematangan buah dipisah ke dalam dua kelas yaitu matang dan belum matang. Dimana dataset yang digunakan merupakan data sekunder citra buah jeruk dengan total sebanyak 400 buah, yaitu 200 citra matang dan 200 citra belum matang. Metode yang digunakan adalah Support Vector Machine kernel linear dengan penggabungan Low-level Image Extraction Features, yaitu warna dengan color histogram, tekstur dengan metode Gray Level Co-occurance Matrix (GLCM), dan bentuk dengan kalkulasi kontur. Pembagian klasifikasi dilakukan dengan membagi dataset menjadi 20% data uji dan 80% data latih. Hasil klasifikasi pada penelitian mendapatkan nilai akurasi sebesar 96,34%.
Keywords: SVM, Klasifikasi, Low-level Extraction Features
This work is licensed under a Creative Commons Attribution 4.0 International License.
The Authors submitting a manuscript do so on the understanding that if accepted for publication, the copyright of the article shall be assigned to JNATIA (Jurnal Nasional Teknologi Informasi dan Aplikasinya) as the publisher of the journal. Copyright encompasses exclusive rights to reproduce and deliver the article in all forms and media, as well as translations. The reproduction of any part of this journal (printed or online) will be allowed only with written permission from JNATIA (Jurnal Nasional Teknologi Informasi dan Aplikasinya). The Editorial Board of JNATIA (Jurnal Nasional Teknologi Informasi dan Aplikasinya) makes every effort to ensure that no wrong or misleading data, opinions, or statements be published in the journal.
This work is licensed under a Creative Commons Attribution 4.0 International License.
