Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Siteba Jurnal Quancom: Jurnal Quantum Komputer
Devi Maryuni
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

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

Found 2 Documents
Search

 1 
Pemanfaatan K-Means Untuk Klasifikasi Citra Toge dan Jamur Enoki Berdasarkan Fitur Bentuk Dan Tekstur Devi Maryuni; Agung Ramadhanu
JURNAL QUANCOM: QUANTUM COMPUTER JURNAL Vol. 3 No. 1 (2025): Juni 2025
Publisher : LPPM-ITEBA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62375/jqc.v3i1.610

Abstract

The Purpose of this study is to explore the application of the K-Means algorithm in the process of classification of toge and enoki mushroom images, focusing on the separation of objects based on visual characteristics extracted from the image of toge and enoki mushroom is a food ingredient that is often found in foods in Asia, although it has almost similar shapes, but bean beetroot and enoki mushroom belong to different families. where toge belongs to the Marasmiaceae family and enoki mushrooms belong to the Marasmiaceae family. The image classification process begins with taking pictures of toge and enoki mushrooms which are then analyzed to extract the features of shape and texture from the image. Shape features are obtained through calculations such as the object's area, perimeter, and width ratio, while texture features are calculated using the Gray Level Co-occurrence Matrix (GLCM) approach to obtain information on contrast, energy, and homogeneity. Furthermore, the K-Means algorithm is used to group images based on the similarity of the features generated. The results of the study show that the use of shape and texture features with the K-Means Clustering and GLCM algorithms can produce a good and effective classification in distinguishing bean sprouts and enoki mushrooms.
Klasifikasi Otomatis Citra Buah Menggunakan Ekstraksi Fitur HSV, Segmentasi Morfologi, Dan Extreme Learning Machine Devi Maryuni; Helda Andriany Darwis; Agung Ramadhanu
JURNAL SITEBA Vol. 4 No. 1 (2026): Jurnal Sistem Informasi ITEBA
Publisher : LPPM-ITEBA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62375/5w1hn437

Abstract

Pengolahan citra digital telah menjadi pendekatan yang efektif dalam sistem klasifikasi objek visual, termasuk klasifikasi buah. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis citra buah menggunakan metode Extreme Learning Machine (ELM) dengan ekstraksi fitur warna berbasis ruang warna HSV dan segmentasi citra melalui operasi morfologi. ELM dipilih karena keunggulannya dalam kecepatan pelatihan dan kemampuannya menangani data non-linear secara efisien. Proses dimulai dengan akuisisi citra buah dari dataset yang terdiri atas tiga kelas: semangka, nanas, dan apel. Citra kemudian dipra-proses dan dikonversi dari ruang warna RGB ke HSV. Segmentasi dilakukan menggunakan metode thresholding dan operasi morfologi untuk memisahkan objek utama dari latar belakang dan mengurangi noise. Fitur warna yang diekstraksi dari komponen H, S, dan V berupa nilai statistik seperti rata-rata dan standar deviasi, yang selanjutnya dijadikan input untuk model ELM. Hasil pengujian menunjukkan bahwa kombinasi metode ini mampu menghasilkan akurasi klasifikasi yang tinggi dengan waktu pelatihan yang lebih singkat dibanding metode konvensional. Pendekatan ini menunjukkan potensi besar untuk diterapkan dalam sistem identifikasi buah otomatis berbasis citra, baik untuk kebutuhan industri maupun aplikasi mobile cerdas.
Co-Authors Helda Andriany Darwis Ramadhanu, Agung -