Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi dan Informatika (SIMIKA) Journal of Deep Learning, Computer Vision and Digital Image Processing
Jessica Crisfin Lapendy
Unknown Affiliation
Computer Science & IT Control & Systems Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
KLASIFIKASI KUALITAS BUAH MANGGIS BERDASARKAN TEKSTUR DAN FITUR WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS PENGOLAHAN CITRA DIGITAL Muh Raenaldy; Faldi Firmansyah; Muh Yasin Kadir; Jessica Crisfin Lapendy; Muh. Akbar
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 2 Issue 2 September 2024
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v2i2.546

Abstract

Masalah dalam proses penyortiran buah manggis di Indonesia adalah masih dilakukan secara manual, mengakibatkan ketidakkonsistenan dan rendahnya akurasi dalam klasifikasi kualitas buah. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kematangan buah manggis secara otomatis menggunakan metode Jaringan Syaraf Tiruan (JST) berbasis pengolahan citra digital. Metode yang digunakan mencakup enam tahapan: akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, dan klasifikasi. Hasil penelitian menunjukkan bahwa metode JST dapat mengklasifikasikan buah manggis dalam tiga kelas tingkat kematangan (belum matang, setengah matang, dan matang) dengan akurasi 100% baik pada data latih maupun data uji. Fitur terbaik diperoleh dari kombinasi RGB + tekstur (contrast + homogeneity) dengan waktu komputasi paling efisien (136,61 detik untuk data latih dan 28,13 detik untuk data uji). Metode JST terbukti lebih efektif dibandingkan metode klasifikasi lainnya seperti Naive Bayes dan KNN, khususnya dalam menghadapi data berdimensi tinggi. Penelitian ini menyimpulkan bahwa sistem klasifikasi berbasis JST dapat diimplementasikan untuk meningkatkan efisiensi dan akurasi penyortiran buah manggis secara industri.
Klasifikasi Tingkat Kesegaran Sayur Bayam Berdasarkan Tekstur Daunnya Berbasis Citra Digital Khaidir; Reyna Buryani Al’Safinat; A. Muhammad Fuad Fadhlurrahman; By Tri Agung Nusantara Kr. J. Tompong; Jessica Crisfin Lapendy
Journal of Deep Learning, Computer Vision, and Digital Image Processing Volume 2 Issue 2 September 2024
Publisher : CV. Sakura Digital Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61255/decoding.v2i2.549

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan tingkat kesegaran sayur bayam berdasarkan tekstur daunnya menggunakan citra digital. Metode yang diusulkan terdiri dari 6 tahap, yaitu akuisisi citra, preprocessing, segmentasi, operasi morfologi, ekstraksi fitur, dan klasifikasi. Penelitian ini menggunakan metode klasifikasi untuk menentukan kualitas bayam menggunakan algoritma K-Means dengan fitur RGB + LAB + TEKSTUR. Hasil menunjukkan akurasi tertinggi sebesar 92,91% untuk data latih dan 88,33% untuk data uji. Proses morfologi dalam penelitian dimulai dengan operasi opening pada gambar segmentasi menggunakan elemen struktural berbentuk disk berukuran 3 piksel, dilanjutkan dengan hole filling untuk mengisi lubang kecil di dalam objek, dan bwareaopen untuk menghilangkan noise atau objek kecil yang tidak penting. Tahap ekstraksi fitur mencakup fitur warna dan tekstur, dengan menggunakan GLCM untuk menghitung nilai homogeneity, contrast, correlation, dan energy. Tahap klasifikasi dilakukan dengan algoritma clustering K-Means untuk membedakan kelas gambar daun bayam berdasarkan kualitasnya. Saran untuk penelitian selanjutnya adalah memperbaiki proses pengambilan gambar dan mencoba metode klasifikasi dan fitur lainnya.
KLASIFIKASI TINGKAT KESEGARAN DAUN BAWANG MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS PENGOLAHAN CITRA DIGITAL Andi Fitri Novianti; Muhammad Atthariq; Juliano Nufiansyach Dini; Andi Baso Kaswar; Jessica Crisfin Lapendy
Jurnal Sistem Informasi dan Informatika (Simika) Vol. 7 No. 2 (2024): Jurnal Sistem Informasi dan Informatika (Simika)
Publisher : Program Studi Sistem Informasi, Universitas Banten Jaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47080/simika.v7i2.3378

Abstract

Green onions, commonly used in Indonesian cuisine, have significant agricultural potential. Despite high production, their quality, particularly freshness, is traditionally evaluated visually, leading to inconsistent and subjective results. This study aims to develop an objective and accurate method for classifying the freshness of green onions using an Artificial Neural Network (ANN). Previous studies have employed ANN but have not specifically targeted the freshness classification of leeks. The proposed method utilizes the color and texture features of green onions.The research methodology includes image acquisition, preprocessing, segmentation, morphology, feature extraction, and classification using ANN. A total of 300 images were acquired and categorized into three freshness levels: not fresh, less fresh, and fresh. During the training phase, 240 images were used, and 80 images were reserved for testing. The optimal feature combination identified includes HSV and LAB color features along with texture features (Contrast + Energy). The results demonstrated that the freshness classification of green onions achieved 100% accuracy in both training and testing phases. The training process, with 240 images, had a computation time of 142.684 seconds, while the testing process, with 80 images, took 35.648 seconds. These findings indicate that using ANN based on color and texture features is highly effective in determining the freshness level of green onions.
Co-Authors A. Muhammad Fuad Fadhlurrahman Andi Baso Kaswar Andi Baso Kaswar Andi Fitri Novianti By Tri Agung Nusantara Kr. J. Tompong Faldi Firmansyah Juliano Nufiansyach Dini Khaidir Muh Raenaldy Muh Yasin Kadir Muh. Akbar Muhammad Atthariq Reyna Buryani Al’Safinat