Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Indonesia Sosial Teknologi
I Gede Wirayudhana
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Environmental Science Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN I Gede Wirayudhana
Jurnal Indonesia Sosial Teknologi Vol. 2 No. 06 (2021): Jurnal Indonesia Sosial Teknologi
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (4900.05 KB) | DOI: 10.59141/jist.v2i06.166

Abstract

Tujuan penelitian ini adalah Untuk mengimplementasikan sistem yang mampu mengklasifikasikan mutu buah jambu biji getas merah antara kelas Super, kelas A dan kelas B. Buah Jambu biji adalah buah yang banyak mengandung vitamin dan baik bagi kesehatan. Jambu biji juga memiliki tingkat permintaan tinggi di Indonesia dan memiliki pasar yang luas. Hal ini membuktikan bahwa jambu biji dikonsumsi oleh masyarakat secara luas dan memiliki tingkat daya saing tinggi. Selama ini pengklasifikasian mutu jambu biji dilakukan dengan melakukan pengamatan manual dengan melihat secara langsung permukaan fisik luar buah. Pengklasifikasian secara manual ini memberikan hasil klasifikasi yang kurang efektif dan tidak konsisten. Teknologi pengolahan citra digital atau Image Proseccing dapat digunakan untuk mengklasifikasikan mutu jambu biji getas merah yang sesuai dengan Standar Nasional Indonesia, terutama dari segi tekstur luar j ambu biji. Sistem ini menggunakan pengolahan citra untuk mengekstraksi ciri tekstur luar permukaan buah jambu biji. Sebagai klasifikasi mutu digunakan metode KNN (K-Nearest Neighbour). Sistem ini akan mengklasifikasikan jambu biji ke dalam 3 kelas mutu, yakni kelas super, kelas A, dan kelas B,. KNN dirancang dengan masukan 4 fitur ekstraksi nilai GLCM (energy, homogeneity, correlation dan contrast) dengan menggunakan sudut 0 derajat. Dari hasil pengujian didapatkan bahwa metode klasifikasi ini mampu memberikan akurasi terbaik pada k=9 dalam metode KNN dengan akurasi 45,8%.
Co-Authors