Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : EKOLOGIA : Jurnal Ilmiah Ilmu Dasar dan Lingkungan Hidup

PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN) Aries Maesya
EKOLOGIA Vol 13, No 1 (2013): JURNAL ILMIAH ILMU DASAR DAN LINGKUNGAN
Publisher : Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (405.439 KB) | DOI: 10.33751/ekol.v13i1.10

Abstract

Proses pemilihan feature dari citra RGB (Red-Green-Blue) dilakukan untuk memprediksi buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (1D-PCA) dan dua dimensi (2D-PCA) untuk mereduksi dimensi citra dengan proses pengenalan tingkat kemanisan yang dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Dari 300 citra buah belimbing diperoleh hasil bahwa secara akurasi, teknik 1D-PCA maupun 2D-PCA memberikan hasil yang relatif sama. Namun dari segi kecepatan, 2DPCA jauh lebih cepat dibanding 1D-PCA, khususnya pada bagian pembentukan sumbu. Model hubungan tingkat kemanisan sebagai fungsi dari nilai RGB memberikan tingkat determinasi terbesarnya 69.9%. Percobaan menunjukkan bahwa 1D-PCA maupun 2DPCA mampu menerangkan sekitar 95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan teknik klasifikasi KNN untuk pengenalan mampu mengenali buah kelompok manis dan asam dengan akurasi 100%. Sedangkan untuk kelompok sedang memiliki akurasi 83%.
PEMODELAN DOWNSCALING LUARAN GCM DAN ANOMALI SST NINO 3.4 MENGGUNAKAN SUPPORT VECTOR REGRESSION (Studi Kasus Curah Hujan Bulanan Indramayu) Aries Maesya
EKOLOGIA Vol 14, No 1 (2014): JURNAL ILMIAH ILMU DASAR DAN LINGKUNGAN HIDUP
Publisher : Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (648.642 KB) | DOI: 10.33751/ekol.v14i1.130

Abstract

The objective of this research is to develop a downscaling model GCM output and SST anomaly Nino 3.4 as input in the training to predict a rainfall monthly in Indramayu. The techniques of a downscaling is used for a phenomenon indicators of El Nino and Southern Oscillation (ENSO) climate anomaly such as a Global Circulation Model (GCM) and Sea Surface Temperature (SST) nino 3.4 are commonly used as a primary study learn and understand the climate system. This research propose a method for developing a downscaling model GCM output and SST anomaly Nino 3.4 by using Support Vector Regression (SVR). The research result showed that GCM output and SST anomaly Nino 3.4 can be approach the average value of monthly rainfall. The best result of prediction is Bondan station which has average correlation that is 0.700.Kata kunci : Downscaling, ENSO, Luaran GCM, SST Nino 3.4 and SVR
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN) Aries Maesya
Ekologia: Jurnal Ilmiah Ilmu Dasar dan Lingkungan Hidup Vol 13, No 1 (2013): Ekologia : Jurnal Ilmiah Ilmu Dasar dan Lingkungan Hidup
Publisher : Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33751/ekol.v13i1.10

Abstract

Proses pemilihan feature dari citra RGB (Red-Green-Blue) dilakukan untuk memprediksi buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (1D-PCA) dan dua dimensi (2D-PCA)  untuk mereduksi dimensi citra dengan proses pengenalan tingkat kemanisan yang dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Dari 300 citra buah belimbing diperoleh hasil bahwa secara akurasi, teknik 1D-PCA maupun 2D-PCA memberikan  hasil  yang relatif  sama.  Namun  dari  segi kecepatan, 2DPCA jauh lebih cepat dibanding  1D-PCA, khususnya  pada  bagian  pembentukan  sumbu. Model hubungan  tingkat kemanisan sebagai fungsi dari  nilai RGB memberikan tingkat determinasi terbesarnya 69.9%. Percobaan  menunjukkan  bahwa 1D-PCA maupun 2DPCA mampu  menerangkan  sekitar  95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan teknik klasifikasi KNN untuk pengenalan mampu mengenali buah kelompok manis dan asam dengan akurasi 100%. Sedangkan untuk kelompok sedang memiliki akurasi 83%.
PEMODELAN DOWNSCALING LUARAN GCM DAN ANOMALI SST NINO 3.4 MENGGUNAKAN SUPPORT VECTOR REGRESSION (Studi Kasus Curah Hujan Bulanan Indramayu) Aries Maesya
Ekologia: Jurnal Ilmiah Ilmu Dasar dan Lingkungan Hidup Vol 14, No 1 (2014): Ekologia : Jurnal Ilmiah Ilmu Dasar dan Lingkungan Hidup
Publisher : Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33751/ekol.v14i1.130

Abstract

The objective of this research is to develop a downscaling model GCM output and SST anomaly Nino 3.4 as input in the training to predict a rainfall monthly in Indramayu. The techniques of a downscaling is used for a phenomenon indicators of El Nino and Southern Oscillation (ENSO) climate anomaly such as a Global Circulation Model (GCM) and Sea Surface Temperature (SST) nino 3.4 are commonly used as a primary study learn and understand the climate system. This research propose a method for developing a downscaling model GCM output and SST anomaly Nino 3.4 by using Support Vector Regression (SVR). The research result showed that GCM output and SST anomaly Nino 3.4 can be approach the average value of monthly rainfall. The best result of prediction is Bondan station which has average correlation that is 0.700. Kata kunci : Downscaling, ENSO, Luaran GCM, SST Nino 3.4 and SVR