KLASIFIKASI TINGKAT KEMATANGAN VARIETAS TOMAT MERAH DENGAN FITUR WARNA, BENTUK DAN TEKSTUR MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)

Vasthi, Priska Irenda and KUSUMANINGRUM, RETNO (2015) KLASIFIKASI TINGKAT KEMATANGAN VARIETAS TOMAT MERAH DENGAN FITUR WARNA, BENTUK DAN TEKSTUR MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ). Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

400Kb

Abstract

Untuk menghadapi Masyarakat Ekonomi ASEAN (MEA) pada tahun 2015, Indonesia perlu meningkatkan daya saing diberbagai bidang, salah satunya hortikultura. Namun, saat ini proses pasca panen seperti pemilahan produk berdasarkan kualitas (misalnya tingkat kematangan) pada produk hortikultura seperti tomat masih dilakukan secara manual. Hal ini tentu menyebabkan penilaian secara subyektif dan tidak konsisten karena pemilahan bergantung pada petugas sortir, serta memakan waktu yang lama. Hal tersebut dapat ditangani dengan mengembangkan machine vision yang dapat melakukan pemilahan yang bersifat obyektif dan konsisten. Beberapa penelitian yang sudah dikembangkan terkait dengan proses klasifikasi di Indonesia, tingkat kematangan tomat dilakukan berdasarkan fitur warna untuk mengenali kematangan tomat sebagai Un-Ripe (tidak matang), Half-Ripe (setengah matang), dan Ripe (matang). Namun, terdapat kendala dalam melakukan klasifikasi tomat dengan kelas Defect (tomat busuk dan tomat yang permukaan kulitnya rusak). Oleh karena itu, pada penelitian ini ditambahkan fitur tekstur dan bentuk untuk mengenali kelas Defect karena fitur tersebut lebih merepresentasikan keadaan kulit tomat yang rusak dengan warna yang sama. Proses segmentasi dilakukan menggunakan background segmentasi menggunakan OHTA color space dan proposed cascade thresholding sebagai proses prapengolahan. Sedangkan algoritma yang digunakan adalah Learning Vector Quantization (LVQ) untuk membandingkan kinerja klasifikasi kematangan tomat berdasarkan kombinasi fitur yang digunakan. Hasil penelitian menunjukkan bahwa arsitektur LVQ terbaik adalah menggunakan fitur warna dengan 1x10 -3 sebagai learning rate dan 1x10 -4 sebagai epsilon. Penambahan fitur tekstur dan bentuk untuk pemodelan klasifikasi pada penelitian ini tidak dapat meningkatkan akurasi. Hal ini dikarenakan proses segmentasi yang dilakukan belum optimal dimana masih terdapat citra prapengolahan yang memiliki noise sehingga mengganggu proses perhitungan deskriptor tekstur dan bentuk.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:59431
Deposited By:Mrs. Khadijah .
Deposited On:17 Jan 2018 08:39
Last Modified:17 Jan 2018 08:39

Repository Staff Only: item control page