Garuda - Garba Rujukan Digital

Penerapan K-Means Clustering untuk Klasifikasi Citra Cabai Keriting: Studi Ekstraksi Warna dan Tekstur GLCM Yasmin, Nabila; Chairunnissa Deliva Akbar, Syifa; Ramadhanu, Agung
Indonesian Journal Computer Science Vol. 3 No. 2 (2024): Oktober 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v3i2.5758

Klasifikasi citra cabai keriting berdasarkan warna dan tekstur merupakan tantangan penting dalam bidang pertanian digital. Dalam penelitian ini, metode K-Means Clustering diterapkan untuk mengelompokkan citra cabai keriting berdasarkan karakteristik warna dan tekstur. Ekstraksi fitur warna dilakukan menggunakan model warna RGB, sedangkan pada bagian fitur tekstur diekstraksi dengan menggunakan metode Grey Level Co-occurrence Matrix (GLCM). K-Means Clustering digunakan untuk mengelompokkan citra ke dalam beberapa kategori, yaitu cabai keriting merah dan cabai keriting hijau. Hasil penelitian menunjukkan bahwa kombinasi antara fitur warna dan tekstur memberikan akurasi yang lebih baik dalam pengelompokan citra. Pada penelitian ini menggunakan 50 citra untuk setiap jenis, dengan total dataset berjumlah 100 citra. Masing-masing kelas terdapat 60 citra untuk pelatihan dan 40 citra untuk pengujian.Skor uji akurasi untuk kelas cabai merah keriting dengan nilai akurasi sebesar 93%. Sedangkan untuk kelas cabai hijau keriting yang mendapat akurasi 91%. Rata-rata akurasi hasil pengujian secara keseluruhan yaitu 92%. Berdasarkan hasil penelitian yang dilakukan, klasifikasi cabai keriting merah dan cabai keriting hijau menggunakan ekstraksi fitur warna dan bentuk terbukti efisien dan menghasilkan kategori baik. Program yang digunakan dapat dijalankan dengan baik dan dapat menangkap karakteristik dataset dengan menggunakan ekstraksi bentuk dan warna.

KLASIFIKASI DAN PENGELOMPOKKAN PADA DOMPET, TAS, DAN BUKU MENGGUNAKAN HYBRID INTELIGENCE SYSTEM Chairunnissa Deliva Akbar, Syifa; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13111

Penelitian ini membahas mengenai penerapan Hybrid Intelligence System untuk klasifikasi dan pengelompokan dompet, tas, dan buku menggunakan kombinasi metode Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN). Hal ini diperlukan untuk meningkatkan optimalisasi klasifikasi objek berbasis citra, terutama dalam manufaktur, perdagangan, dan sistem inventarisasi. Dengan meningkatnya kebutuhan sistem digitalisasi yang mampu mengenali dan mengelompokkan objek secara cepat dan akurat, pengembangan sistem berbasis hybrid intelligence menjadi relevan. PCA digunakan untuk menyederhanakan dimensi data citra sehingga hanya fitur yang relevan yang dipertahankan, sementara KNN digunakan untuk menentukan kelas dari masing-masing produk berdasarkan fitur yang telah sederhanakan. Penelitian ini melibatkan data kuantitatif berupa citra dompet, tas, dan buku dengan total 26 data latih dan data uji. Hasil penelitian menunjukkan bahwa kombinasi dari PCA dan KNN mampu meningkatkan akurasi klasifikasi hingga 90%. Sistem ini juga terbukti efektif dalam menangani data yang tidak bersih dan menghasilkan klasifikasi yang konsisten serta dapat diandalkan. Temuan ini menunjukkan potensi besar dalam pengembangan sistem berbasis citra digital untuk berbagai aplikasi, khususnya dalam klasifikasi produk.

PERBANDINGAN KINERJA PCA-KNN DAN LDA DALAM KLASIFIKASI JENIS KUPU-KUPU: ANALISIS AKURASI DAN EFEKTIVITAS Chairunnissa Deliva Akbar, Syifa; Agus Salim, David; Rahmad, Rahmad; Khomsi, Ahmad; Sovia, Rini
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13863

Kupu-kupu merupakan serangga yang tergolong dalam ordo Lepidoptera atau serangga bersayap sisik. Keanekaragaman spesies kupu-kupu menjadi objek penelitian yang menarik dalam bidang ekologi, biologi, dan ilmu komputer, khususnya dalam bidang pengolahan citra digital dan kecerdasan buatan. Penelitian ini membandingkan kinerja metode Principal Component Analysis (PCA) dengan K-Nearest Neighbor (KNN) dan Linear Discriminant Analysis (LDA) dalam mengklasifikasikan jenis kupu-kupu Chestnut dan Clouded Sulphur. Perbandingan ini dilakukan untuk mengevaluasi efektivitas metode reduksi dimensi PCA dalam meningkatkan efisiensi klasifikasi dibandingkan dengan pendekatan pemisahan kelas berbasis LDA. PCA digunakan untuk mereduksi dimensi data guna meningkatkan efisiensi klasifikasi, sedangkan KNN dan LDA berperan sebagai algoritma klasifikasi dengan pendekatan yang berbeda dalam memisahkan kelas data. Hasil penelitian ini menunjukkan bahwa penggunaan metode PCA dalam klasifikasi citra kupu-kupu Chestnut dan kupu-kupu Clouded Sulphur dapat meningkatkan efisiensi dan keakuratan sistem secara signifikan. Hal ini dibuktikan dengan akurasi yang dicapai oleh PCA-KNN sebesar 93,3%, sedangkan LDA-KNN hanya mancala 80%.

Penerapan K-Means Clustering untuk Klasifikasi Citra Cabai Keriting: Studi Ekstraksi Warna dan Tekstur GLCM Yasmin, Nabila; Chairunnissa Deliva Akbar, Syifa; Ramadhanu, Agung
Indonesian Journal Computer Science Vol. 3 No. 2 (2024): Oktober 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v3i2.5758

Klasifikasi citra cabai keriting berdasarkan warna dan tekstur merupakan tantangan penting dalam bidang pertanian digital. Dalam penelitian ini, metode K-Means Clustering diterapkan untuk mengelompokkan citra cabai keriting berdasarkan karakteristik warna dan tekstur. Ekstraksi fitur warna dilakukan menggunakan model warna RGB, sedangkan pada bagian fitur tekstur diekstraksi dengan menggunakan metode Grey Level Co-occurrence Matrix (GLCM). K-Means Clustering digunakan untuk mengelompokkan citra ke dalam beberapa kategori, yaitu cabai keriting merah dan cabai keriting hijau. Hasil penelitian menunjukkan bahwa kombinasi antara fitur warna dan tekstur memberikan akurasi yang lebih baik dalam pengelompokan citra. Pada penelitian ini menggunakan 50 citra untuk setiap jenis, dengan total dataset berjumlah 100 citra. Masing-masing kelas terdapat 60 citra untuk pelatihan dan 40 citra untuk pengujian.Skor uji akurasi untuk kelas cabai merah keriting dengan nilai akurasi sebesar 93%. Sedangkan untuk kelas cabai hijau keriting yang mendapat akurasi 91%. Rata-rata akurasi hasil pengujian secara keseluruhan yaitu 92%. Berdasarkan hasil penelitian yang dilakukan, klasifikasi cabai keriting merah dan cabai keriting hijau menggunakan ekstraksi fitur warna dan bentuk terbukti efisien dan menghasilkan kategori baik. Program yang digunakan dapat dijalankan dengan baik dan dapat menangkap karakteristik dataset dengan menggunakan ekstraksi bentuk dan warna.

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search