Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Journal of Computers and Digital Business Mars: Jurnal Teknik Mesin, Industri, Elektro dan Ilmu Komputer
Latifa Khoirani
Universitas Islam Negeri Sumatera Utara
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Aplikasi Pengolahan Citra Untuk Peningkatan Deteksi Tepi Melalui Segmentasi Citra Latifa Khoirani; Rino Ariansyah; Supiyandi Supiyandi
Mars: Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer Vol. 2 No. 3 (2024): Juni: Mars: Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer
Publisher : Asosiasi Riset Teknik Elektro dan Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61132/mars.v2i3.191

Abstract

An important digital image processing is image segmentation, which separates objects from the background for further analysis. One segmentation technique is edge detection, which looks for boundaries between areas of different brightness. This article compares four edge detection methods: Roberts, Prewitt, Sobel, and Canny. The results show that, despite requiring more complex computations, Canny's method produces the sharpest and best connected edges; Sobel and Prewitt's method, on the other hand, is faster and simpler than Roberts' method, but is less effective in dealing with noise and often produces edges that are not connected to the plane. The choice of edge detection method depends on the application. Sobel and Prewitt are good for speed and stability, and Roberts is suitable for fast processing of images with minimal noise.
Klasifikasi Kualitas Tandan Buah Segar Kelapa Sawit Menggunakan Support Vector Machine dengan Kernel Radial Basis Function Latifa Khoirani; Suhardi
Journal of Computers and Digital Business Vol. 5 No. 2 (2026)
Publisher : PT. Delitekno Media Madiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i2.993

Abstract

Kualitas Tandan Buah Segar (TBS) kelapa sawit menentukan mutu minyak sawit yang dihasilkan. Klasifikasi kualitas TBS di lapangan masih dilakukan secara manual berdasarkan pengamatan visual yang subjektif dan tidak konsisten. Penelitian ini menerapkan metode Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) untuk mengklasifikasikan kualitas TBS secara otomatis berbasis data numerik parameter laboratorium sebagai alternatif yang lebih praktis dan efisien. Data yang digunakan sebanyak 1.500 dataset hasil pemeriksaan laboratorium periode Februari 2025 dari PT XYZ, dengan parameter berat tandan, kandungan minyak, kadar air, dan brondol lepas. Preprocessing meliputi data cleaning, normalisasi Min-Max Scaling, dan encoding label, dengan pembagian data 80:20 menghasilkan 1.200 data training dan 300 data testing. Model dibangun dengan parameter C = 1,0 dan gamma (γ) = 1,0542 yang dihitung secara dinamis dari distribusi data training, menggunakan strategi klasifikasi multikelas One-vs-One (OvO).  Evaluasi model menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan model SVM mampu mengklasifikasikan kualitas TBS ke dalam tiga kategori mentah, matang, dan lewat matang dengan akurasi 95%. Penelitian ini berkontribusi dalam meningkatkan objektivitas, konsistensi, dan efisiensi proses klasifikasi kualitas TBS berbasis machine learning.
Co-Authors Rino Ariansyah Suhardi, Suhardi Supiyandi Supiyandi