Claim Missing Document
Check
Articles

Found 7 Documents
Search
Journal : Jurnal Ilmu Komputer dan Agri-Informatika

Pengenalan Genus Diatom Menggunakan Principal Component Analysis dan Jaringan Saraf Tiruan Propagasi Balik Sebagai Classifier Rahmi, Silvia; Haryanto, Toto; Pratiwi, Niken TM
Jurnal Ilmu Komputer dan Agri-Informatika Vol 2, No 1 (2013)
Publisher : Departemen Ilmu Komputer IPB

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (235.444 KB)

Abstract

Diatom merupakan suatu mikroalga unisel (kadang berkoloni) yang mempunyai peranan penting dalam dunia riset dan penelitian. Identifikasi diatom merupakan pekerjaan yang rumit. Hal ini dikarenakan diatom memiliki ratusan taksa dengan banyak variasi bentuk dan karakteristik biologi yang menyebabkan proses identifikasinya tidak mudah bahkan bagi seorang pakar. Penelitian ini menerapkan Principal Component Analysis (PCA) untuk reduksi data dan Jaringan Saraf Tiruan (JST) untuk identifikasi diatom. Proporsi PCA yang digunakan ialah 80% dan 90%. JST yang digunakan adalah propagasi balik dengan satu hidden layer. Data yang dipakai pada penelitian ini adalah citra diatom berformat JPG yang diambil menggunakan mikroskop elektrik. Hasil penelitian menunjukkan bahwa generalisasi terbaik sebesar 90% diperoleh pada percobaan menggunakan proporsi PCA 90% dengan persentase data latih 80%.
Pengenalan Genus Diatom Menggunakan Principal Component Analysis dan Jaringan Saraf Tiruan Propagasi Balik Sebagai Classifier Silvia Rahmi; Toto Haryanto; Niken TM Pratiwi
Jurnal Ilmu Komputer & Agri-Informatika Vol. 2 No. 1 (2013)
Publisher : Departemen Ilmu Komputer - IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (235.444 KB) | DOI: 10.29244/jika.2.1.38-46

Abstract

Diatom merupakan suatu mikroalga unisel (kadang berkoloni) yang mempunyai peranan penting dalam dunia riset dan penelitian. Identifikasi diatom merupakan pekerjaan yang rumit. Hal ini dikarenakan diatom memiliki ratusan taksa dengan banyak variasi bentuk dan karakteristik biologi yang menyebabkan proses identifikasinya tidak mudah bahkan bagi seorang pakar. Penelitian ini menerapkan Principal Component Analysis (PCA) untuk reduksi data dan Jaringan Saraf Tiruan (JST) untuk identifikasi diatom. Proporsi PCA yang digunakan ialah 80% dan 90%. JST yang digunakan adalah propagasi balik dengan satu hidden layer. Data yang dipakai pada penelitian ini adalah citra diatom berformat JPG yang diambil menggunakan mikroskop elektrik. Hasil penelitian menunjukkan bahwa generalisasi terbaik sebesar 90% diperoleh pada percobaan menggunakan proporsi PCA 90% dengan persentase data latih 80%.
Model Sistem Pendukung Pengambilan Keputusan Cerdas Manajemen Rantai Pasok Hijau Obat Herbal Muji Yuswanto; Marimin Marimin; Toto Haryanto
Jurnal Ilmu Komputer & Agri-Informatika Vol. 3 No. 2 (2014)
Publisher : Departemen Ilmu Komputer - IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (639.296 KB) | DOI: 10.29244/jika.3.2.102-111

Abstract

Penggunaan tanaman tradisional sebagai obat-obatan tidak kalah dibanding bahan obat kimiawi karena penggunaan bahan alami justru tidak menimbulkan efek samping yang berlebihan. Masih terbatasnya penelitian terkait rantai pasokan obat herbal melatarbelakangi penelitian ini sebagai salah satu alternatif solusi dari permasalahan yang terjadi pada proses rantai pasokan obat herbal. Dalam penelitian ini diusulkan sebuah model Sistem Pendukung Pengambilan Keputusan Cerdas berbasis website dengan menggunakan metode Green Supply Chain Operation Reference, Fuzzy Analytic Network Process dan Algoritme Genetika dengan objek penelitian pada industri obat herbal. Sistem yang diusulkan merupakan sebuah sistem penunjang keputusan yang ditingkatkan kinerjanya dengan menambahkan elemen kecerdasan buatan ke dalamnya yang terdiri atas empat bagian utama, yaitu: sistem manajemen dialog, sistem manajemen basis data, sistem manajemen basis model, dan elemen kecerdasan buatan. Pada simulasi sistem diperoleh hasil untuk karbon footprint sebanyak 602 kg sementara total environment footprint sebesar 4.181 kg, recycle waste material menjadi pilihan pertama pakar pada alternatif pengembangan rantai pasok hijau sementara jarak terpendek untuk jalur distribusi sejauh 1014 km. Berdasarkan pengujian load test, aplikasi berjalan baik dengan waktu rata-rata selama 9.28 detik. Hasil dari penelitian adalah sebuah aplikasi online yang dapat diakses pada situs www.herbal.biz.id dengan melakukan registrasi user terlebih dahulu.Kata Kunci: Algoritme Genetika, Fuzzy Analytic Network Process, obat herbal, rantai pasok.
Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik Morfologi dan Tingkah Laku Asterika Prawesti; Toto Haryanto; Irzal Effendi
Jurnal Ilmu Komputer & Agri-Informatika Vol. 4 No. 1 (2015)
Publisher : Departemen Ilmu Komputer - IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (416.089 KB) | DOI: 10.29244/jika.4.1.6-13

Abstract

Penelitian ini mengidentifikasi 6 varietas ikan mas menggunakan 8 parameter input yang meliputi karakteristik morfologi dan tingkah laku. Pembagian data latih dan data uji dilakukan menggunakan metode k-fold cross validation. Variabel yang bersifat nominal diolah menggunakan jarak nominal, sedangkan variabel numerik dan ordinal diolah dengan menggunakan jarak Euclid. Sebelum menghitung jarak Euclid, metode normalisasi min-max diterapkan pada variabel numerik dan ordinal. Hasil perhitungan jarak Euclid dan jarak nominal digabung dengan menggunakan rumus agregat. Metode klasifikasi yang digunakan untuk identifikasi ialah metode k-nearest neighbour (KNN). Akurasi rata-rata terbaik untuk percobaan tanpa normalisasi ialah 94.58% dan untuk percobaan dengan normalisasi ialah 98.54% saat k = 3. Sistem ini dapat diakses pada alamat http://apps.cs.ipb.ac.id/spivim.Kata kunci: ikan mas, jarak Euclidean, k-nearest neighbour, nominal distance, normalisasi min-max.
Prediksi Kandungan Lignin pada Dedak Padi Bercampur Sekam Menggunakan Tekstur Statistik dan KNN Eylen Desy Novita; Aziz Kustiyo; Anuraga Jayanegara; Toto Haryanto; Hari Agung Adrianto
Jurnal Ilmu Komputer dan Agri-Informatika Vol 9 No 1 (2022)
Publisher : Departemen Ilmu Komputer, Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.9.1.58-69

Abstract

Adulteration in rice bran happens quite high due to the expensive price of rice bran. Mixing the rice bran with husk could decrease the rice bran quality because the content of crude fiber and lignin cointained in husk are anti-nutrients. Lignin content can be estimated by the texture of rice bran mixed with husk image. This study aimed to analyze the texture of rice bran mixed with husk image using run length feature extraction method with k-nearest neighbour (KNN) classification. The images of rice bran mixed with husk were taken using Dino Capture digital microscope with magnification 200 times. The images were generated with the spatial resolution of 640×480 pixels in a bitmap format. Those images were converted from RGB into grayscale in preprocessing phase, then the result of grayscale images were enhanced using histogram equalization as image enhancement method. The training and testing was determined using 5-fold cross validation with 3 repetition. The result of KNN classification with 7 features showed the highest accuracy of 74.55%.
Identifikasi Kematangan Tomat dengan Principal Component Analysis dan K-Nearest Neighbour Berdasarkan Citra Warna Khairani; Sitanggang, Imas Sukaesih; Haryanto, Toto; Kustiyo, Aziz
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 11 No. 2 (2024)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.11.2.122-132

Abstract

Penentuan tingkat kematangan tomat secara manual memiliki kelemahan karena standar yang subjektif dan memakan waktu. Penelitian ini bertujuan untuk mengidentifikasi kematangan tomat berbasis representasi warna Hue Saturation Value (HSV) menggunakan Principal Component Analysis (PCA) sebagai ekstraksi ciri dan K-Nearest Neighbor (KNN) untuk klasifikasi. Penelitian ini menggunakan 400 citra dengan resolusi spasial 400x400 yang dikelompokkan dalam 5 tingkat kematangan yaitu green, turning, pink, light red dan red. Data terbagi menjadi data latih dan data uji dengan rasio 80:20. Skenario yang diberlakukan merupakan pembagian data ruang warna yaitu Hue (H), Saturation (S), Value (V), Hue-Saturation (HS), Hue-Value (HV), Saturation-Value (SV) dan HSV. Nilai k sebagai tetangga pada KNN yang dijadikan sebagai skenario adalah 1, 3, 5, 7, 9 dan 11. Adapun nilai principal componen yang diterapkan sebesar 5, 10, 15 dan 65 dengan varian rasio 95%. Hasil penelitian menunjukkan bahwa dengan K=7 dan nilai PC =5 menghasilkan nilai akurasi tertinggi dengan persentase 94% pada pengujian HV. Hasil penelitian ini menunjukkan bahwa dengan klasifikasi data uji sebanyak 80 data citra, didapatkan hasil sebanyak 75 data hasil akurat dan 5 data yang tidak akurat.
Penerapan Metode K-Nearest Neighbor dan Support Vector Machine untuk Klasifikasi Kematangan Buah Mengkudu Hartono Wijaya, Sony; Haryanto, Toto; Hehanussa, Siti Gayatri
Jurnal Ilmu Komputer dan Agri-Informatika Vol. 12 No. 1 (2025)
Publisher : Sekolah Sains Data, Matematika, dan Informatika. Institut Pertanian Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jika.12.1.25-37

Abstract

Buah mengkudu (Morinda citrifolia) merupakan salah satu komoditas ekspor buah-buahan di Indonesia yang selalu tersedia di setiap musim dan dikenal memiliki berbagai manfaat kesehatan. Buah mengkudu berasal dari wilayah Asia Tenggara, termasuk Indonesia, dan sering digunakan dalam pengobatan tradisional. Pada umumnya masyarakat menentukan kematangan buah mengkudu secara manual, yaitu dengan menggunakan penampakan visual. Hal ini menyebabkan adanya perbedaan persepsi dalam menentukan tingkat kematangan buah mengkudu. Oleh karena itu, penelitian ini bertujuan membangun model machine learning untuk klasifikasi tingkat kematangan buah mengkudu. Metode klasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) dengan menggunakan ekstraksi fitur warna Hue Saturation Intensity (HSI) dan ekstraksi fitur tekstur Local Binary Pattern (LBP). Pengklasifikasian yang dilakukan pada buah mengkudu dengan algoritma KNN menghasilkan model klasifikasi yang lebih baik daripada menggunakan algoritma SVM. Akurasi terbaik yang dihasilkan oleh KNN sebesar 88.62% pada k=11, sedangkan akurasi terbaik SVM dengan kernel polynomial sebesar 87.80%, menggunakan parameter C=0.1 Gamma=1, Degree=5, dan coef0=1.0. Hasil ini didapatkan dari data latih dan data uji dengan perbandingan 80:20.