Garuda - Garba Rujukan Digital

p-Index From 2021 - 2026

10.601

P-Index

This Author published in this journals

All Journal Techno.Com: Jurnal Teknologi Informasi JOIV : International Journal on Informatics Visualization International Journal of Artificial Intelligence Research Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Ilmiah Media Sisfo JOURNAL OF SCIENCE AND SOCIAL RESEARCH JOISIE (Journal Of Information Systems And Informatics Engineering) INTI Nusa Mandiri Jurnal Ekonomi Manajemen Sistem Informasi Jurnal Teknologi Dan Sistem Informasi Bisnis JATI (Jurnal Mahasiswa Teknik Informatika) Indonesian Journal of Electrical Engineering and Computer Science Jurnal Pendidikan Guru (JPG) Bulletin of Computer Science Research JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Journal of Education Research Algoritme Jurnal Mahasiswa Teknik Informatika Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence Jurnal Hasi Penelitian Dan Pengkajian Ilmiah Eksakta - JPPIE Jurnal Ekonomika Dan Bisnis Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Sains dan Teknologi Jurnal Komtekinfo Indonesian Journal Computer Science (ijcs) Journal of Information System and Education Development Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) The Indonesian Journal of Computer Science CSRID

Ramadhanu, Agung

Unknown Affiliation

Author-ID : 1111229

Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Veterinary Other

Published : 92 Documents Claim Missing Document

Claim Missing Document

Articles

Title

1 2

KLASIFIKASI CITRA TINGKAT KEMATANGAN BUAH ALPUKAT BERDASARKAN BENTUK WARNA MENGGUNAKAN METODE K-NEAREST NEIGHBO Angga, Angga; Syarif, Ahmad; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 7, No 4 (2024): November 2024
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v7i4.2280

Perkembangan teknologi informasi saat ini telah memungkinkan identifikasi buah berdasarkan ciri warna melalui pemrosesan citra digital. Proses ini memanfaatkan kamera untuk mengambil gambar buah, yang kemudian diolah menggunakan perangkat lunak komputer dengan teknik pengolahan citra digital untuk menentukan tingkat kematangan buah secara efisien. Penelitian ini fokus pada penggunaan metode ekstraksi fitur warna berbasis mean RGB untuk klasifikasi tingkat kematangan buah alpukat, yang merupakan salah satu buah tropis unggulan di Indonesia. Alpukat, sebagai buah yang tumbuh subur di daerah tropis seperti Indonesia, memerlukan penentuan tingkat kematangan yang tepat untuk memaksimalkan umur simpan dan menghindari kerusakan. Oleh karena itu, penelitian ini mengaplikasikan algoritma K-Nearest Neighbor (KNN) dalam proses klasifikasi kematangan alpukat. Algoritma KNN, yang dikenal karena kemampuannya dalam mengidentifikasi pola dengan membandingkan jarak fitur, digunakan untuk mengelompokkan data berdasarkan kemiripan warna dan ciri-ciri lainnya. Tujuan dari penelitian ini adalah untuk mengevaluasi efektivitas algoritma KNN dalam memprediksi tingkat kematangan alpukat dan meningkatkan akurasi prediksi melalui analisis struktur warna buah. Penelitian ini diharapkan dapat memberikan kontribusi signifikan terhadap pengembangan metode prediksi kematangan buah serta membuka peluang baru dalam penerapan teknologi data mining dalam bidang pertanian, khususnya untuk panen alpukat.

PENERAPAN HYBRID INTELIGENTS SYSTEM UNTUK KLASIFIKASI BUAH ANGGUR DAN PEPAYA MENGGUNAKAN ALGORITMA PCA DAN KNN Afriadi, Afriadi; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2749

Abstract: This study utilizes a hybrid intelligence system for classifying grape and papaya fruits, combining the Principal Component Analysis (PCA) and K-Nearest Neighbor (KNN) algorithms. PCA is employed to reduce data dimensions by extracting key features from fruit images, while KNN performs classification based on the reduced feature set. The dataset consists of images of grapes and papayas captured under various lighting conditions. Experimental results indicate that this hybrid approach achieves 90% accuracy in fruit classification, improves computational efficiency, and enhances classification performance compared to using KNN without feature selection. This system demonstrates great potential for image-based fruit classification and can be implemented to support agricultural product processing technologies. Keywords: Hybrid Intelligence System; Grape and Papaya Classification; PCA; KNN.Abstrak: Penelitian ini menerapkan hybrid intelligence system untuk klasifikasi buah anggur dan pepaya menggunakan algoritma Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN). Algoritma PCA digunakan untuk mereduksi dimensi data dengan mengekstraksi fitur-fitur utama dari citra buah, sedangkan KNN digunakan untuk melakukan klasifikasi berdasarkan fitur yang telah direduksi. Dataset yang digunakan berupa gambar buah anggur dan pepaya dalam berbagai kondisi pencahayaan. Hasil eksperimen menunjukkan bahwa pendekatan hybrid ini mampu meningkatkan akurasi klasifikasi dan mengurangi waktu komputasi dibandingkan penggunaan KNN tanpa seleksi fitur. Sistem ini menunjukkan akurasi 90% dalam pengelompokan buah berbasis citra dan dapat diimplementasikan untuk mendukung teknologi pengolahan hasil pertanian. Kata kunci: Hybrid Intelligence system; Klasifikasi Buah; PCA; KNN.

IMPLEMENTASI METODE ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) DAN ALGORITMA K-NEAREST NEIGHBOR (KNN) DALAM KLASIFIKASI BUAH JAMBU MADU JAMBU MERAH DAN MANGGIS Al-Arrafi, Muhammad Ikhsan; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2584

Abstract: Hybrid Intelligent Systems are systems that combine more than one artificial intelligence (AI) technique or computational approach to leverage their respective strengths and overcome their individual weaknesses. HIS are usually designed to handle complex tasks that are difficult to solve with a single approach. These systems combine techniques such as fuzzy logic, artificial neural networks, evolutionary algorithms, and rule-based methods, resulting in more flexible, adaptive, and intelligent solutions. The method used in the classification is the Principal Component Analysis (PCA) Algorithm, which is a statistical analysis method that aims to reduce data dimensions while maintaining significant information. PCA works by transforming the initial variables into a set of uncorrelated principal components. This technique is widely used in various fields such as image processing, pattern recognition, data compression, and exploratory data analysis. The PCA process involves decomposing the covariance or correlation matrix of the data to find the eigenvectors and eigenvalues that represent the principal components. By reducing dimensions, PCA helps overcome data redundancy problems, improves computational efficiency, and enables data visualization in lower dimensions. This study reviews the basic concept of PCA, its mathematical implementation, and its practical application in multidimensional data analysis. The K-Nearest Neighbor (KNN) algorithm is a machine learning method used for classification and regression with a simple principle, namely determining the class or value of a data based on its k nearest neighbors in the feature space. KNN works by calculating the distance between the test data and the training data using metrics such as Euclidean Distance, Manhattan Distance, or Minkowski Distance, then determining the prediction results based on the majority of classes or the average value of the nearest neighbors. Keywords: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN). Abstrak: Hybrid Intelligent Systems merupakan sistem yang menggabungkan lebih dari satu teknik kecerdasan buatan (AI) atau pendekatan komputasi untuk memanfaatkan kekuatan masing-masing dan mengatasi kelemahan individu. HIS biasanya dirancang untuk menangani tugas-tugas yang kompleks, yang sulit diselesaikan dengan pendekatan tunggal. Sistem ini memadukan teknik-teknik seperti logika fuzzy, jaringan saraf tiruan, algoritma evolusioner, dan metode berbasis aturan, sehingga menghasilkan solusi yang lebih fleksibel, adaptif, dan cerdas. Adapun metode yang digunakan dalam klasifikasi yaitu Algoritma Principal Component Analysis (PCA) merupakan salah satu metode analisis statistik yang bertujuan untuk mereduksi dimensi data sambil mempertahankan informasi yang signifikan. PCA bekerja dengan mentransformasikan variabel awal menjadi sekumpulan komponen utama (principal components) yang tidak saling berkorelasi. Teknik ini banyak digunakan dalam berbagai bidang seperti pengolahan citra, pengenalan pola, kompresi data, dan analisis data eksploratif. Proses PCA melibatkan dekomposisi matriks kovarians atau korelasi data untuk menemukan vektor eigen dan nilai eigen yang merepresentasikan komponen utama. Dengan mereduksi dimensi, PCA membantu mengatasi masalah redundansi data, meningkatkan efisiensi komputasi, dan memungkinkan visualisasi data dalam dimensi yang lebih rendah. Studi ini mengulas konsep dasar PCA, implementasi matematisnya, serta aplikasi praktisnya dalam analisis data multidimensi. Algoritma K-Nearest Neighbor (KNN) adalah metode pembelajaran mesin yang digunakan untuk klasifikasi dan regresi dengan prinsip sederhana, yaitu menentukan kelas atau nilai suatu data berdasarkan k tetangga terdekatnya dalam ruang fitur. KNN bekerja dengan menghitung jarak antara data uji dengan data pelatihan menggunakan metrik seperti Euclidean Distance, Manhattan Distance, atau Minkowski Distance, kemudian menentukan hasil prediksi berdasarkan mayoritas kelas atau rata-rata nilai tetangga terdekat. Kata kunci: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN).

Klasifikasi Buah Kelapa Muda, Kelapa Tua, dan Buah Naga Menggunakan Pendekatan Hybrid PCA-KNN Sutri, Ridwan; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2581

Abstract: This study discusses the classification method of young coconuts, old coconuts, and dragon fruits using a hybrid Principal Component Analysis (PCA) and K-Nearest Neighbors (KNN) approach. This approach aims to improve the accuracy and efficiency of fruit classification based on visual and texture features. The research data were taken from fruit images processed using PCA for dimension reduction, followed by the KNN algorithm for classification. The test results showed that the combination of PCA and KNN was able to provide high accuracy, with an average accuracy value reaching 96%. Keyword: fruit classification, PCA, KNN, image processing.Abstrak: Penelitian ini membahas metode klasifikasi buah kelapa muda, kelapa tua, dan buah naga menggunakan pendekatan hybrid Principal Component Analysis (PCA) dan K-Nearest Neighbors (KNN). Pendekatan ini bertujuan untuk meningkatkan akurasi dan efisiensi dalam klasifikasi buah berdasarkan fitur visual dan tekstur. Data penelitian diambil dari citra buah yang diproses menggunakan PCA untuk reduksi dimensi, dilanjutkan dengan algoritma KNN untuk klasifikasi. Hasil pengujian menunjukkan bahwa kombinasi PCA dan KNN mampu memberikan akurasi tinggi, dengan nilai rata-rata akurasi mencapai 96%. Kata kunci: klasifikasi buah, PCA, KNN, pengolahan citra.

PENGGUNAAN PRINCIPAL COMPONENT ANALYSIS (PCA) DAN K-NEAREST NEIGHBORS (KNN) DALAM KLASIFIKASI SAYURAN MENTIMUN, PARE, DAN TERONG Syarif, Ahmad; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2751

Abstract: The classification of vegetable types is an important aspect of the agricultural industry to improve the efficiency of product management, packaging, and distribution. This study aims to implement the Principal Component Analysis (PCA) and K-Nearest Neighbors (KNN) methods in the vegetable classification process, especially for cucumbers, squash, and eggplants. PCA is used to reduce the data dimensions and extract the key significant features that distinguish vegetable categories. Meanwhile, KNN is applied as a classification algorithm based on the proximity of these key features. The research dataset consists of digital images of vegetables extracted into color, texture, and shape attributes. The results show that the combination of PCA and KNN is able to significantly improve the classification accuracy by minimizing computational complexity. Experiments are carried out with various numbers of main components in PCA and variations in kkk parameter values in KNN to determine the optimal configuration. In the best configuration, this method achieves a classification accuracy of 90%, with PCA effectively reducing the data dimension by 95% without losing important information. In conclusion, this approach has great potential to be implemented in vegetable classification automation systems to support efficiency in the agricultural supply chain. Keywords: Vegetables classification, Principal Component Analysis (PCA), K-Nearest Neighbors(KNN), cucumber, bitter melon, eggplant.Abstrak: Klasifikasi jenis sayuran merupakan salah satu aspek penting dalam industri pertanian untuk meningkatkan efisiensi pengelolaan produk, pengemasan, serta distribusi. Penelitian ini bertujuan untuk mengimplementasikan metode Principal Component Analysis (PCA) dan K-Nearest Neighbors (KNN) dalam proses klasifikasi sayuran, khususnya mentimun, pare, dan terong. PCA digunakan untuk mengurangi dimensi data dan mengekstraksi fitur utama yang signifikan dalam membedakan kategori sayuran. Sementara itu, KNN diterapkan sebagai algoritma klasifikasi berdasarkan kedekatan fitur-fitur utama tersebut. Dataset penelitian terdiri atas citra digital sayuran yang diekstraksi menjadi atribut warna, tekstur, dan bentuk. Hasil penelitian menunjukkan bahwa kombinasi PCA dan KNN mampu meningkatkan akurasi klasifikasi secara signifikan dengan meminimalkan kompleksitas komputasi. Eksperimen dilakukan dengan berbagai jumlah komponen utama pada PCA dan variasi nilai parameter kkk pada KNN untuk menentukan konfigurasi optimal. Pada konfigurasi terbaik, metode ini mencapai akurasi klasifikasi sebesar 90%, dengan PCA secara efektif mereduksi dimensi data hingga 95% tanpa kehilangan informasi penting. Kesimpulannya, pendekatan ini memiliki potensi yang besar untuk diimplementasikan dalam sistem otomatisasi klasifikasi sayuran guna mendukung efisiensi dalam rantai pasok agrikultur. Kata kunci: Klasifikasi sayuran, Principal Component Analysis (PCA), K-Nearest Neighbors (KNN), mentimun, pare, terong.

IMPLEMENTASI MECHINE LEARNING PADA HYBRID INTELLIGENCE SISTEM MENGUNAKAN METODE PCA-KNN PADA JENIS BUAH APEL, JERUK, TOMAT Angga, Angga; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2583

Abstract: This research aims to implement the Principal Component Analysis (PCA) and K-Nearest Neighbor (KNN) methods in a digital image-based classification system for apples, oranges and tomatoes. PCA is used to reduce data dimensions to increase computational efficiency without losing important information, while KNN is applied for the classification process of extracted data. This research includes several stages, starting from image data collection, preprocessing, segmentation, feature extraction, to accuracy testing. The research results show that the combination of PCA and KNN methods is able to provide a high level of accuracy, with an average accuracy of 90%. In detail, the classification of apples achieved 100% accuracy, oranges 90%, and tomatoes 100%. PCA successfully eliminates redundant features, thereby increasing the efficiency of the classification process, while KNN shows reliability in handling reduced data. Keywords: Principal Component Analysis, K-Nearest Neighbor, classification, image processing, machine learning. Abstrak: Penelitian ini bertujuan untuk mengimplementasikan metode Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN) dalam sistem klasifikasi buah apel, jeruk, dan tomat berbasis citra digital. PCA digunakan untuk mereduksi dimensi data guna meningkatkan efisiensi komputasi tanpa kehilangan informasi penting, sementara KNN diterapkan untuk proses klasifikasi data hasil ekstraksi. Penelitian ini mencakup beberapa tahapan, mulai dari pengumpulan data citra, preprocessing, segmentasi, ekstraksi fitur, hingga pengujian akurasi. Hasil penelitian menunjukkan bahwa kombinasi metode PCA dan KNN mampu memberikan tingkat akurasi yang tinggi, dengan rata-rata akurasi sebesar 90%. Secara rinci, klasifikasi apel mencapai akurasi 100%, jeruk 90%, dan tomat 100%. PCA berhasil mengeliminasi fitur redundan, sehingga meningkatkan efisiensi proses klasifikasi, sedangkan KNN menunjukkan keandalan dalam menangani data yang telah direduksi. Kata Kunci: Principal Component Analysis, K-Nearest Neighbor, klasifikasi, pengolahan citra, machine learning.

PENINGKATAN AKURASI KLASIFIKASI KEMATANGAN PEPAYA BERDASARKAN WARNA DENGAN MEDIAN FILTER, K-MEANS PADA CONVOLUTIONAL NEURAL NETWORK Yosfand, Windra; Putra, Kharisma Utama; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2781

Abstract: The development of technology in the field of digital image processing has become an attraction in itself to make human life easier and has given rise to many applications that can apply it in various fields. Digital image processing methods can transform input images into output images that can be used to identify and classify objects in life. To minimize damage to digital images which is known as noise. Also to reduce the impact of degradation or decrease in image quality caused by noise, colors that are too contrasty or blurry. So a method is needed. One method is the median filter which is used in this research.Keyword: edian Filter, Convolutional Neural Network, Papaya, Classification Abstrak: Dalam perkembangan teknologi di bidang pengolahan citra digital (digital image processing) menjadi daya tarik tersendiri untuk mempermudah kehidupan manusia dan memunculkan banyak aplikasi yang dapat menerapkannya dalam berbagai bidang. Metode digital image processing dapat mentransformasikan citra masukan menjadi citra keluaran yang dapat dimanfaatkan untuk mengidentifikasi dan mengklasifikasi objek dalam kehidupan. Untuk mengurangi meminimalisir kerusakan pada citra digital yang disebut sebagai noise. Juga untuk mengurangi dampak degradasi atau penurunan kualitas citra yang disebabkan oleh derau / noise, warna yang terlalu kontras atau buram. Maka dibutuhkan suatu metode. Salah satu metodenya adalah median filter yang digunakan pada penelitian ini.Kata kunci: Median Filter, Convolutional Neural Network, Pepaya, Klasifikasi

KLASTERISASI KESEHATAN DAUN MENGGUNAKAN K-MEANS CLUSTERING DENGAN TEKNIK PENGOLAHAN CITRA Pratama, Dede; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 2 (2025): May 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i2.3087

Abstract: Leaves are an important part of plants that greatly influence the health and quality of the plant. Poor leaf conditions, such as yellow or degraded leaves, can indicate problems in plant growth or health. Manual classification of fresh and yellow leaves can be time-consuming and often inconsistent, necessitating a more efficient automated method. The main goal of this research is to implement an image processing-based automatic classification system to classify fresh and yellow leaves based on visual features such as color, texture, and shape, to improve efficiency and consistency in plant health monitoring. To distinguish brightness and color, images are processed by converting the RGB color space to LAB. Using the K-Means Clustering algorithm, images are grouped into two clusters, each consisting of fresh leaves and yellow leaves. The data used in this research consists of eight images, each comprising four images of fresh leaves and four images of yellow leaves. The research results show that this method successfully classified fresh and yellow leaves with an accuracy rate of 100%, with 8 out of 8 images correctly identified. The K-Means Clustering method has been demonstrated as an effective and accurate method for determining leaf health conditions. Keywords: Fresh Leaves, Yellow Leaves, K-Means Clustering, Image Processing, Feature Extraction Abstrak: Daun merupakan bagian penting dari tumbuhan yang sangat mempengaruhi kesehatan dan kualitas tanaman. Kondisi daun yang buruk, seperti daun kuning atau daun yang terdegradasi, dapat menunjukkan adanya masalah dalam pertumbuhan atau kesehatan tanaman. Klasifikasi daun segar dan daun kuning secara manual dapat memakan waktu dan sering kali tidak konsisten, sehingga diperlukan metode otomatis yang lebih efisien. Tujuan utama dari penelitian ini adalah untuk mengimplementasikan sistem klasifikasi otomatis berbasis pengolahan citra dalam mengklasifikasikan daun segar dan daun kuning berdasarkan fitur visual seperti warna, tekstur, dan bentuk, guna meningkatkan efisiensi dan konsistensi dalam proses pemantauan kesehatan tanaman. Untuk membedakan kecerahan dan warna, gambar diproses dengan mengubah ruang warna RGB ke LAB. Dengan menggunakan algoritma K-Means Clustering, gambar dikelompokkan ke dalam dua kelompok, masing-masing terdiri dari daun segar dan daun kuning. Data yang digunakan dalam penelitian ini terdiri dari delapan gambar, masing-masing terdiri dari empat gambar daun segar dan empat gambar daun kuning. Hasil penelitian menunjukkan bahwa metode ini berhasil mengklasifikasikan daun segar dan daun kuning dengan tingkat akurasi 100%, dengan 8 dari 8 gambar teridentifikasi dengan benar. Metode K-Means Clustering telah ditunjukkan sebagai metode yang efektif dan akurat untuk menentukan kondisi kesehatan daun. Kata kunci: Daun Segar, Daun Kuning, K-Means Clustering, Pengolahan Citra, Ektraksi Fitur.

KLASTERISASI BUNGA TEROMPET DAN BUNGA KAKI ITIK DENGAN METODE K-MEANS BERBASIS PENGOLAHAN CITRA Masri, Taufik; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 2 (2025): May 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i2.2661

Abstract: Clustering is one of the methods in data processing that aims to group objects based on certain similarities. This study aims to cluster Trumpet Flower (Brugmansia) and Balsam Flower (Impatiens Balsamina) using the K-Means method based on digital image processing. The image processing begins with a pre-processing stage, including grayscale conversion, noise reduction, and object segmentation. Next, image features are extracted to obtain information on texture, color, and shape. The extracted feature data is then analyzed and grouped using the K-Means algorithm, where the clustering results are evaluated based on grouping accuracy and inter-cluster consistency. The study results show that the K-Means method can effectively cluster Trumpet Flower and Balsam Flower with high accuracy, depending on the input image quality and clustering parameters. This study highlights the great potential of the K-Means algorithm in image processing applications, particularly for visual-based object identification and grouping. Keywords: K-Means; clustering; image processing; Trumpet flower; Balsam flower Abstrak: Klasterisasi merupakan salah satu metode dalam pengolahan data yang bertujuan untuk mengelompokkan objek-objek berdasarkan kemiripan tertentu. Penelitian ini bertujuan untuk melakukan klasterisasi terhadap bunga Terompet ( Brugmansia ) dan bunga Kaki Itik ( Impatiens Balsamina ) menggunakan metode K-Means berbasis pengolahan citra digital. Proses pengolahan citra diawali dengan tahap pra-pengolahan yang meliputi konversi ke skala abu-abu, pengurangan noise, serta segmentasi objek. Selanjutnya, fitur citra diekstraksi untuk mendapatkan informasi tekstur, warna, dan bentuk. Data fitur yang dihasilkan kemudian dianalisis dan dikelompokkan menggunakan algoritma K-Means, di mana hasil klasterisasi dinilai berdasarkan akurasi pengelompokan dan konsistensi antar kelompok. Hasil penelitian menunjukkan bahwa metode K-Means mampu mengelompokkan bunga Terompet dan bunga Kaki Itik dengan tingkat akurasi yang tinggi, tergantung pada kualitas citra masukan dan parameter pengelompokan. Studi ini menunjukkan potensi besar algoritma K-Means dalam aplikasi pengolahan citra khususnya untuk identifikasi dan pengelompokan objek berbasis visual. Kata kunci: K-Means;klasterisasi;pengolahan citra;Bunga terompet ;Bunga kaki itik

IMPLEMENTASI METODE K-MEANS UNTUK MENGKLASTERISASI JENIS BUAH NAGA DENGAN TEKNIK PENGOLAHAN CITRA Idris, Muhammad; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 2 (2025): May 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i2.3091

Abstract: This research aims to implement the K-Means method for clustering red and yellow dragon fruit types using image processing techniques. Image processing is carried out by utilizing features such as color, texture, and shape from dragon fruit images obtained using a digital camera. The captured images are then processed through preprocessing stages such as conversion to a specific color space and feature extraction to describe the visual characteristics of the dragon fruit. Afterward, the K-Means algorithm is applied to cluster the images based on the similarity of their features. The clustering results show that the K-Means method is effective in distinguishing between red and yellow dragon fruit types, with a satisfactory accuracy rate. This study contributes to the development of an automated classification system for dragon fruit type identification based on images, which can be applied in agriculture, especially in the processing and distribution of products. Keyword: K-Means Method; Red Dragon Fruit Clustering; Yellow Dragon Fruit; Image Processing. Abstrak: Penelitian ini bertujuan untuk mengimplementasikan metode K-Means dalam mengklasterisasi jenis buah naga merah dan buah naga kuning menggunakan teknik pengolahan citra. Pengolahan citra dilakukan dengan memanfaatkan fitur-fitur warna, tekstur, dan bentuk dari citra buah naga yang diperoleh menggunakan kamera digital. Citra yang diambil kemudian diproses melalui tahap pra-pemrosesan seperti konversi ke ruang warna tertentu dan ekstraksi fitur untuk mendeskripsikan karakteristik visual dari buah naga. Setelah itu, algoritma K-Means diterapkan untuk mengelompokkan citra berdasarkan kemiripan fitur yang dimilikinya. Hasil pengklasteran menunjukkan bahwa metode K-Means efektif dalam memisahkan jenis buah naga merah dan kuning, dengan tingkat akurasi yang memadai. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi otomatis untuk identifikasi jenis buah naga berdasarkan citra, yang dapat diterapkan dalam bidang pertanian, terutama dalam proses pengolahan dan distribusi produk. Kata kunci: Metode K-Means; Pengklasteran buah naga merah; Buah naga kuning; Pengolahan citra.

Co-Authors Afriadi Afriadi Afriadi, A Agsera, Nilam Agus Salim, David Agusty, Dhia Fadhila Ahmad Syarif ahmad yani Akbar, Syifa Chairunnissa Deliva Al-arrafi, Muhammad Ikhsan Angga Angga Anggara Putra, Febri Antoni Antoni atiqah, sri Bayuputra, Ramdani Chairunnissa Deliva Akbar, Syifa Chan, Fajri Rinaldi Delvi, Syerlin Aprilia Desi Permata Sari Devita, Retno Dicky Imansyah, Muhammad Dila, Rahmah Dinantia, Triend Enggari, Sofika Erlanda, Hadrian Fajri Saputra, Charisman Firmansyah, Ryan Gafari, Abuzar Gunadi Widi Nurcahyo Hadi Syahputra Halifia Hendri Harnaranda, Jefri Hendri, Hallifia Hidayati, Dzil Hidayattullah, Hafis Hikmi, Zakiya Honestya, Gabriela Ilmawan, Fachrul Irsyad, As'Ary Sahlul Kareem, Shahab Wahhab Karseno, Doni Khomsi, Ahmad Maharani, Filsha Rifi Majid, Mazlina Abdul Mardison Mardison Masri, Taufik Muhammad Idris Muhammad Yusuf Nadia, Nadia Aini Hafizhah Negoro, Wahyu Saptha Ningsih, Neni Sri Wayuni Nurdiansyah, Ali Nurjannah, Farah Permata, Edo Pertiwi, Yuliana Pratama, Dede Putra, Kharisma Utama putri, kamila amaliah Rahmad Rahmad Rahmad, R Rianti, Eva Riati, Itin Riyan Saputra, Riyan Rosa, Imelda Sajida, Mayang salim, alfajri Saputra, Randy Sarjon Defit Selvia, Dina Silfia Andini, Silfia Sovia, Rini Sumijan, S Sutri, Ridwan Syafri Arlis Syafril Syafril Syafril, S Syalsabilla, Adinda Tesa Vausia Sandiva Utama Putra, Kharisma Vidyanti, Angela Citra Wiratama, Aditya Wirdawati, Wira Yanti, Rahma Yasmin, Nabila Yasmin, Nabilla Yemi, Leonardo Yesi Betriana Roza, yesibetriana_18 Yolanda Yolanda, Yolanda Yosfand, Windra Yuhandri Yulihartati, Sandra Zubaidah, Rima Puti

Title Search

Found 13 Documents Search Journal : JOURNAL OF SCIENCE AND SOCIAL RESEARCH

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 13 Documents
Search
Journal : JOURNAL OF SCIENCE AND SOCIAL RESEARCH