KLASIFIKASI KUALITAS DAUN TEMBAKAU MENGGUNAKAN GLCM (GRAY LEVEL CO-OCCURRENCE MATRIX) DAN SVM (SUPPORT VECTOR MACHINE)

Sriani Sriani, Yulia Rizky

Abstract


Indonesia, negara dengan flora yang beragam, adalah rumah bagi berbagai jenis tanaman. Tanaman yang dikenal dengan nama tembakau ini memiliki daun yang besar dan memanjang. Namun tekstur daun tembakau akan tetap tampak sama pada semua daun tembakau jika hanya dilihat dengan mata kepala sendiri sehingga sulit untuk menentukan daun mana yang memiliki kualitas yang sesuai. Gray Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM) digunakan selama fase pemrosesan citra digital dari penelitian ini untuk menyelesaikan klasifikasi kelayakan kualitas daun tembakau. Berdasarkan hasil ekstraksi ciri GLCM, metode SVM digunakan untuk mengklasifikasikan varietas tembakau berdasarkan tekstur daun. Hasil percobaan bahwa aplikasi yang dibangun dapat melakukan pemrosesan citra daun tembakau dan mengklasifikasikan mutu tembakau dari proses pemrosesan citra daun tembakau dengan nilai akurasi untuk klasifikasi akurasi nilai akurasi rata-rata adalah 73,3%.

Full Text:

PDF 3342-3349

References


E. Meirista, “Aplikasi Metode Support Vector Machine (SVM) Untuk Klasifikasi Tanaman Berdaun Menjari Dan Gulma Berdasarkan Fitur Bentuk Dan Tekstur Daun,” 2015.

K. A. Wibisono and A. F. Ibadillah, “Implementasi Metode Feature Extraction pada Klasifikasi Kualitas Daun Tembakau Madura,” Rekayasa, vol. 10, no. 2, pp. 71–78, 2017.

P. N. Andono, T. Sutojo, and Muljono, “Pengolahan Citra Digital,” in CV. Andi Offset, 2017.

P. D, “Pengolahan Citra Identifikasi Kualitas Mengudu (Morinda Citrifolia) Berdasarkan Warna dan Tekstur Menggunakan Analisis CoOccurrence Matrix,” in Skripsi Program Studi Teknik Jurusan Informatika: Universitas Muhammadiyah Gresik, 2010.

D. Putra, “Pengolahan Citra Digital (Edisi 1),” in Penerbit Andi, 2010.

A. A. Kasim and A. Harjoko, “Klasifikasi Citra Batik Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level Co- Occurrence Matrices (GLCM),” Semin. Nas. Apl. Teknol. Inf., 2014.

E. Listiana and M. A. Muslim, “Penerapan Adaboost untuk Klasifikasi Support Vector Machine Guna Meningkatkan Akurasi pada Diagnosa Chronic Kidney Disease,” Pros. SNATIF, 2017.

S. Prayoginingsih and R. P. Kusumawardani, “Klasifikasi Data Twitter Pelanggan Berdasarkan Kategori myTelkomsel Menggunakan Metode Support Vector Machine (SVM),” J. SISFO, vol. 7, no. 2, 2018.

W. KOMPUTER, Paling Dicari PHP Source Code. 2013.




DOI: http://dx.doi.org/10.23960/jitet.v12i3.4599

Refbacks

  • There are currently no refbacks.


This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Publisher
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Lampung
Jl. Prof. Soemantri Brojonegoro No. 1 Bandar Lampung 35145
Email: jitet@eng.unila.ac.id
Website : https://journal.eng.unila.ac.id/index.php/jitet

Copyright (c) Jurnal Informatika dan Teknik Elektro Terapan (JITET)
pISSN: 2303-0577   eISSN: 2830-7062