Low-level Images Extraction Features pada Algoritma SVM untuk Mengidentifikasi Kematangan Jeruk

  • I Made Agus Rama Wijaya Universitas Udayana
  • I Ketut Gede Suhartana Universitas Udayana
DOI: https://doi.org/10.24843/JNATIA.2023.v01.i04.p02

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

Published
2023-08-01
How to Cite
WIJAYA, I Made Agus Rama; SUHARTANA, I Ketut Gede. Low-level Images Extraction Features pada Algoritma SVM untuk Mengidentifikasi Kematangan Jeruk. Jurnal Nasional Teknologi Informasi dan Aplikasnya, [S.l.], v. 1, n. 4, p. 1017-1024, aug. 2023. ISSN 3032-1948. Available at: <https://ojs.unud.ac.id/index.php/jnatia/article/view/102483>. Date accessed: 05 feb. 2025. doi: https://doi.org/10.24843/JNATIA.2023.v01.i04.p02.
Citation Formats
Issue
Vol 1 No 4 (2023): JNATIA Vol. 1, No. 4, Agustus 2023
Section
Articles

Creative Commons License