MK CITRA DIGITAL
DI SUSUN OLEH :
NAMA – NAMA KELOMPOK
RENDIANTO L. NAITKAKIN 51200073
JUANITHA GRACELIA P. SERAN 51200076
MARIA WILHELMINA USFINIT 51200077
ADRIANA NAIHELI 51190049
2. JURNAL 2
Judul Analisis Tekstur Dan Ektraksi Fitur Warna Untuk Klasifikasi
Apel Berbasis Citra
Jurnal Klasifikasi/Pengenalan Pola Citra Apel
Penulis Arie Qur’anisa, Lita Karlitasar, Sufiatul Maryana
Reviewer Rendianto L. Naitkakin, Maria Wilhelmina Usfinit, Juanitha
G.P. Seran, Adriana Naiheli
Abstrak Klasifikasi adalah salah satu yang paling sering dijumpai
dalam aktivitas manusia dalam pengambilan keputusan.
Klasifikasi bertujuan untuk mengkkategorikan objek menjadi
kelompok atau kelas ttertentu. Penelitian ini menggunakan
citra digital buah apel yang dianalisis berdasarkan tekstur dan
unsur warna untuk mengetahui pola yang akan
diklasifikasikan menggunakan K-Nearest Neighbor (K-NN)
dengan nilai parameter K=1 sampai K=3 dan jarak
Euclidean.
Pendahuluan Deteksi dan pengenalan pola pada citra sangat luas dan
banyak dikembangkan dengan sejumlah pendekatan selama
bertahun – tahun. Pengenalan pola adalah metode yang
bekerja untuk menemukan pola pada data yang menunjukkan
satu informasi tertentu. Prinsip kerja pengenalan pola adalah
dengan membandingkan kemiripan suatu benda pada tingkat
prosentase tertentu berdasarkan informasi yang sudah pernah
diperoleh. Salah satu kegunaan pengenalan pola adalah untuk
ptoses klasifikasi atau pengelompokan sebuah objek.
Klasifikasi bertujuan untuk mengelompokkan objek menjadi
kelas tertentu.
Pembahasan Pervobaan dilakukan sebanyak tiga percobaan. Percobaan
kesatuu dilaksanakan pada masing – masing fitur pada citra
grayscale dan citra warna. Klasifikasi dilakukan terhadap 9
fitur yaitu berdasarkan nilai entropi, konytas, energi,
homogenitas, skala keabuan, standar deviasi, red, green, blue.
Kesimpulan Analisis tekstur dan ekstraksi fitur warna RGB dapat
digunakan untuk ekstraksi ciri pada citra. Hasil ekstraksi ciri
digunakan sebagai input K-NN untuk mmengenal pola citra
dan mengklasifikasikannya ke dalam jenis apel. Klasifikasi
dengan K-NN menggunakan perbandingan jarak, yang
dihitung menggunakan jarak Euclidean dengan parameter
k=1 sampai k=3. Hasil klasifikasi menunjukkan tingkat
akurasi menggunakan ekstraksi ciri analisis tekstur sebesar
73,33, sedangkan menaikkan tingkat akurasi hingga 100%.
Ekstraksi ciri warna cenderung tidak mempengaruhi hasil
klasifikasi jenis apel.
3. JURNAL 3
Judul Klasifikasi Jenis Buah Apel Menggunakan Metode Orde 1
Dengan Algoritma Multi Support-Vector Machines
Jurnal Jurnal Komputer dan Informatika Universitas Bina Sarsna
Informatika P-ISSN 1410 - 5063
Volume & Halaman XXI & 167 - 171
Tahun 2019
Penulis Rizky Ade Safitri, Siti Nurdiani, Dwiza Riana, Sri Hadianti
Reviewer Rendianto L. Naitkakin, Maria Wilhelmina Usfinit, Juanitha
G.P. Seran, Adriana Naiheli
Tanggal 21 Maret 2023
Abstrak Apples are a type of fruit which has a variety of colors on its
own skin, some are red, green and yellow. Apples have many
tyoes abd are easily found in the country and abroad. Each
type of apple has different, characteristics so that different
opinions will be obtained by each individual which causes a
different level of accuracy.
Pendahuluan Pengenalan pola pada citra sangat meluas citra sangat meluas
dan banyak dikembangkan dengan beberapa jumlah
pendekatan selama bertahun – tahun hingga kini. Pengenalan
pola salah satu metode yang bekerja unutuk menetukan pola
pada data yang menunjukkan satu informasi tertentu dan juga
memiliki prinsip kerja yang membandingkan kemiripan
suatu benda pada tingkat presentase tertentu berdasarkan
informasi yang sudah pernah diperoleh.
Hasil dan System identifikasi jjenis buah apel dapat diuji setelah system
Pembahsan ini dilatih dahulu. Pengujian system dilakukan dengan cara
masukan citra buah (image) yang belum dikenali atau baru
yang belum pernah dipakai di pelatihan (training).
Kesimpulan Berdasarkan hasil uji coba yang telah dilakukan pada
penelitian ini, terbukti bahwa Algoritma Multi SVM dapat
digunakan untuk mengklasifikasikan jenis buah apel. Namun
tingkat akurasi sebesar 86,6667%. Maka untuk penelitian
berikutnya bias dikembangkan dengan algoritma dan metode
yang lain agar dapat memaksimalkan proses prapengolahan
dan ekstrasi ciri citra serta meningkatkan tingkat akurasi.