Article Per Year (5 Year)
p-Index From 2021 - 2026
2.715
P-Index
This Author published in this journals
All Journal Jurnal Simantec Journal of Educational Science and Technology POSITIF INTEGER: Journal of Information Technology Network Engineering Research Operation [NERO] Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Jurnal Eksplora Informatika JPP IPTEK (Jurnal Pengabdian dan Penerapan IPTEK) Prosiding Seminar Nasional Sains dan Teknologi Terapan Jurnal Teknologi dan Manajemen GEOGRAPHIA: Jurnal Pendidikan dan Penelitian Geografi Prosiding Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK) Prosiding Seminar Nasional Teknologi Industri Berkelanjutan NERO (Networking Engineering Research Operation) JAR'S (Journal of Advanced Research in Informatics)
Hendro Nugroho, Hendro
Unknown Affiliation
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences Other

Published : 30 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Simantec

 1 
KLASIFIKASI DAUN HERBAL MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER DAN KNEAREST NEIGHBOR Liantoni, Febri; Nugroho, Hendro
Jurnal Simantec Vol 5, No 1 (2015)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v5i1.1009

Abstract

ABSTRAKPerkembangan gacorwin ilmu tanaman telah mengalami kemajuan yang pesat, khususnya ilmu mengenai tanaman herbal. Tanaman herbal memiliki banyak manfaat bagi kehidupan manusia yaitu sebagai penyedian oksigen, bahan makanan, obat-obatan, maupun bahan kosmetika. Untuk mengetahui jenis-jenis tanaman herbal dapat dilakukan dengan proses klasifikasi. Klasifikasi tanaman herbal dapat dilakukan dengan cara mengidentifikasi bentuk citra daun dari tanaman tersebut. Proses klasifikasi tanaman herbal memerlukan ekstraksi fitur dari bentuk dari tanaman tersebut. Pada penelitian ini, fitur invariant moment dan fitur geometri digunakan gacorwin untuk ekstraksi fitur daun herbal. Fitur yang digunakan berjumlah 10 fitur. Ada beberapa macam metode klasifikasi yang biasa digunakan. Pada penelitian ini metode klasifikasi yang digunakan adalah metode Naïve Bayes Classifier dan K-Nearest Neighbor (KNN). Metode Naïve Bayes Classifier gacorwin merupakan metode Bayesian Learning yang paling cepat dan sederhana. Sedangkan metode KNN dapat melakukan klasifikasi dengan cepat berdasarkan jarak terdekat diantara objek data. Berdasarkan hasil uji coba yang dilakukan, penggunaan metode Naïve Bayes Classifier didapatkan nilai akurasi sebesar 75%, sedangkan dengan menggunakan metode K-Nearest Neighbor didapatkan nilai akurasi sebesar 70,83%. Hal ini menunjukkan bahwa kinerja metode Naïve Bayes Classifier lebih baik dibandingkan metode KNN.Kata Kunci: Fitur Invariant Moment, Fitur Geometri, Naïve Bayes Classifier, K-Nearest Neighbor, Bayesian Learning. ABSTRACTScience of the plant has made progress, particularly knowledge about herbs. Herb has many benefits for human life as provision of oxygen, foodstuffs, pharmaceuticals, and cosmetics. To determine the types of herbs with the classification process. Classification of herbs conducted by identifying the shape of the image of the leaves of these plants. Herbal plant classification process requires the extraction of features from the shape of plant. In this study, moment invariant features and geometrical feature is used for feature extraction of herbal leaves.Features used amounted to 10 features. There are several kinds of commonly used classification method. In this study, the classification method used is the method Naïve Bayes classifier and K-Nearest Neighbor (KNN). Naïve Bayes classifier is Bayesian Learning method of the most rapid and simple. While the KNN method can perform fast classification is based on the shortest distance between data objects. Based on the results of tests conducted, the use of methods Naïve Bayes Classifier accuracy values obtained by 75%, while using K-Nearest Neighbor value obtained an accuracy of 70.83%.These results indicate that the performance of Naïve Bayes Classifier method is better than KNN method.Keywords: Invariant Moment Feature, Geometrical Feature, Naïve Bayes Classifier, K-Nearest Neighbor, Bayesian Learning
EKSTRKASI FITUR BENTUK MENGGUNAKAN METODE CONVEX HULL UNTUK KLASIFIKASI JENIS PISANG MENGGUNAKAN K-NEAREST NEIGHBOR Nugroho, Hendro; Rachman, Andy; Basuki, Erfan Septian
Jurnal Simantec Vol 11, No 2 (2023): Jurnal Simantec Juni 2023
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v11i2.20023

Abstract

Ada banyak jenis buah pisang yang ada di Indonesia contohnya pisang Ambon aniani4d , pisang Kepok, pisang Susu, pisang Mas, dan pisang Cavendish. Dengan adanya banyak jenis buah pisang tersebut maka untuk mengetahui jenis pisang masih menggunakan penilaian oleh mata manusia berdasarkan bentuk pisang. Didalam penelitian ini untuk mengetahui jenis pisang menggunakan klasifikasi secara otomatis dari input citra pisang. Hasil dari klasifikasi diharapkan untuk mengetahui jenis pisang berdasarkan data tranning. Input citra pisang di ekstraksi fitur bentuk menggunakan metode Convex Hull untuk mendapatkan nilai Soliditas dan Konveksitas. Langkah-langkah untuk mendapatkan nilai klasifikasi dilakukan dengan input citra  pisang, konversi warna menjadi biner (hitam putih), ekstraksi fitur bentuk Convex Hull, menghitung nilai Soliditas konveksitas dan nilai Soliditas dan konveksitas citra buah pisang dilakukan proses klasifikasi menggunakan metode K-Nearst Neighbor (K-NN). Untuk mengetehui tingkat keberhasilan hasil klasifikasi dilakukan proses pengujian. Dari hasil penggujian dilakukan proses perhitungan akurasi dari semua data yang diujikan. Hasil yang didapat didalam penelitian ini dengan nilai akurasi sebesar 56%.Kata kunci : Convex Hull, Klasifikasi, K-NN, Pisang.
Co-Authors A.D., Chrisna Afriandhi, Mochamad Ilham Albana, Isa Andy Rachman Audrey, Talitha Naifa Augusta, Taufan Aulia Siti Aisjah Azmuri Wahyu Azinar Basuki, Erfan Septian Bayu Rizky Pratama, Bayu Rizky Dian Puspita Hapsari Efendi, Yanuar Evi Yuliawati Febri Liantoni, Febri Ferdinandus, Raka Panangkaran Firmansyah, Muhammad Rafel Daffa Eka Gusti Eka Yuliastuti Khamidah, Fitri Sofia Nur Lestari, Linda A. Maftahatul Hakimah, Maftahatul Muchamad Kurniawan, Muchamad Muhammad Afif Muhima, Rani Rotul Naili Saidatin Nanang Fakhrur Rozi Pradana, Andrean Firman Pratama Sandi Alala Purba, Rini Kumala Sari Purwanto, Mochamad Yuliadi Putra, Moch Andria Reza Effendi Rahmawati, Lailia Rinci Kembang Hapsari S.Pd. M Kes I Ketut Sudiana . Sulistyowati Sulistyowati Suparjo Susilowati, Arda Gusema Syamsul Arifin Tukadi Tukadi, Tukadi Tutuk Indriyani Wahyudi, Ahmad Lutfi Wardhana, Septiyawan Rosetya Wicaksono, Redi Nurdin