Record Details

KLASIFIKASI BUAH MANGGA BERDASARKAN TINGKAT KEMATANGAN MENGGUNAKAN LEAST-SQUARES SUPPORT VECTOR MACHINE

Explore IT! : Jurnal Keilmuan dan Aplikasi Teknik Informatika

View Archive Info
 
 
Field Value
 
Title KLASIFIKASI BUAH MANGGA BERDASARKAN TINGKAT KEMATANGAN MENGGUNAKAN LEAST-SQUARES SUPPORT VECTOR MACHINE
 
Creator Cahya Bagus Sanjaya
Muhammad Imron Rosadi
 
Subject Mangga, GLCM, K-Means Clustering, LS-SVM
 
Description Buah mangga adalah buah musiman yang sudah umum diketahui oleh masyarakat di Indonesia. Buah yang berasal dari India ini mempunyai banyak jenis yang banyak digemari oleh masyarakat Indonesia. Tanaman Mangga dapat tumbuh dengan baik di dataran rendah dan berhawa panas. Akan tetapi, ada juga yang dapat tumbuh di daerah yang memiliki ketinggian hingga 600 meter di atas permukaan laut. Batang pohon mangga tegak, bercabang agak kuat. Kulit tebal dan kasar dengan banyak celah-celah kecil dan sisik-sisik bekas tangkai daun.
Dalam kasus kematangan buah mangga, terkadang ada buah mangga yang memiliki warna yang cukup matang tetapi masih terasa asam, begitu pun sebaliknya. Sehingga untuk para konsumen diperlukan sebuah alat bantu untuk mengetahui tingkat kematangan dari buah Mangga. Metode sebelumnya telah berhasil mengklasifikasikan tingkat kematangan buah Mangga Harum Manis berdasarkan normalisasi warna dengan menggunakan metode Fuzzy Logic, namun kelemahan dari penelitian ini adalah metode yang digunakan hanya dapat digunakan untuk satu jenis buah mangga.
Pada penelitian ini akan diusulkan metode GLCM digabungkan dengan K-Means Clustering untuk ekstraksi fitur pada buah mangga sehingga nantinya dapat digunakan pada berbagai jenis Mangga. Dengan menggunakan LS-SVM untuk menentukan tingkat kematangan buah Mangga. Dataset yang digunakan berjumlah 240 data, terdiri dari masing-masing 80 data untuk mangga jenis harum manis, mangga jenis manalagi, dan mangga jenis kent, masing-masing jenis terdiri dari 40 data mangga mentah dan 40 data data matang. Hasil Klasifikasi LS-SVM dengan menggunakan metode GLCM dan K-Means Clustering untuk Ekstraksi Fitur mendapatkan nilai akurasi sebesar 98,33% pada data uji.
 
Publisher Program Studi Teknik Informatika, Fakultas Teknik, Universitas Yudharta Pasuruan
 
Date 2018-12-04
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
 
Format application/pdf
 
Identifier https://jurnal.yudharta.ac.id/v2/index.php/EXPLORE-IT/article/view/1255
10.35891/explorit.v10i2.1255
 
Source 2549-354X
2086-3489
10.35891/explorit.v10i2
 
Language eng
 
Relation https://jurnal.yudharta.ac.id/v2/index.php/EXPLORE-IT/article/view/1255/1085