Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Techno Nusa Mandiri : Journal of Computing and Information Technology
Dwiza Riana
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
Computer Science & IT Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Deteksi Defect Coffee Pada Citra Tunggal Green Beans Menggunakan Metode Ensamble Decision Tree Ami Rahmawati; Yan Rianto; Dwiza Riana
Techno.Com Vol 20, No 2 (2021): Mei 2021
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v20i2.4529

Abstract

Kopi merupakan salah satu komoditas minuman unggulan, sehingga permintaan biji kopi meningkat dari tahun ke tahun. Permintaan biji kopi didasarkan pada kualitas. Terdapat bebarapa faktor yang mempengaruhi kualitas antara lain bagaimana kopi ditanam dan dipanen, adapun kurangnya nutrisi dan perlindungan tanaman yang tidak memadai, maka akan menghasilkan kopi yang berkualitas rendah. Biji kopi berkualitas rendah sering kali disebut defects. Identifikasi defects coffee sangat penting khususnya bagi para petani dan pengusaha kopi agar dapat memilih biji kopi yang berkualitas tinggi sehingga meningkatkan nilai jual biji kopi. Pada beberapa industri kopi maupun makanan, teknik untuk mengidentifikasi cacat biji kopi biasa dengan cara seleksi manual dan mekanik, yang mana membutuhkan waktu yang lama dan dapat merusak biji kopi. Oleh karena itu diperlukan suatu pendekatan yang lebih modern dalam mengidentifikasi cacat biji kopi  seperti pengolahan citra. Untuk itu penelitian ini bertujuan melakukan pengolahan citra berupa segmentasi pada citra green beans coffee menggunakan metode thresholding. Setelah itu dilakukan analisis tekstur menggunakan GLCM (Grey Level Co-occurence Matrix) dan dilanjutkan dengan pemodelan klasifikasi menggunakan algoritma C4.5 dengan bagging. Dari hasil penelitian yang diperoleh, akurasi dari penggunaan algoritma C4.5 dengan bagging sebesar 94%.
K-MEANS SEGMENTATION AND CLASSIFICATION OF SWIETENIA MAHAGONI WOOD DEFECTS Sri Rahayu; Dwiza Riana; Anton Anton
Jurnal Techno Nusa Mandiri Vol 18 No 2 (2021): Techno Nusa Mandiri : Journal of Computing and Information Technology Period of
Publisher : Lembaga Penelitian dan Pengabdian Pada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33480/techno.v18i2.2222

Abstract

The potential and usefulness of wood to meet the needs of human life are not in doubt. Demands us to continue to maintain the quality. Wood quality is closely related to wood defects. Manual defect checks in the wood industry are unreliable because they are prone to human error, For example, due to acute symptoms of headaches and tired eyes, technology in the form of image processing can help identify wood defects Swietenia Mahagoni. In this case, the method used is Euclidean distance with a ratio of k-means segmentation and thresholding on 42 images of wood defects consisting of 3 types of defects, namely growing skin defects, rotting knots, and healthy knots, every 14 images with data sharing. training for 30 images and testing for 12 images. The results of the k-means segmentation are then extracted on 6 features including metric, eccentricity, contrast, correlation, energy, and homogeneity using the Gray Level Co-occurrence Matrix (GLCM) extractor and classified by calculating the closest distance using the euclidean distance between the results of data feature extraction. testing of the value of feature extraction in the training data which is used as a previous database. It is the smallest value that indicates the type of defect. The success calculation is presented in the confusion matrix calculation and gets a success or accuracy value of 91.67%.
Co-Authors Ami Rahmawati Anton Sri Rahayu Yan Rianto