KLASIFIKASI VARIETAS MENGGA BERDASARKAN BENTUK DAUN DAN TEKSTUR DAUN MENGGUNAKAN METODE BACK�PROPAGATION NEURAL NETWO

Astuti, Puji (2022) KLASIFIKASI VARIETAS MENGGA BERDASARKAN BENTUK DAUN DAN TEKSTUR DAUN MENGGUNAKAN METODE BACK�PROPAGATION NEURAL NETWO. Other thesis, UPN 'Veteran" Yogyakarta.

	Text ABSTRAK SKRIPSI PUJI ASTUTI 123160014.pdf Download (77kB)
	Text DAFTAR ISI SKRIPSI PUJI ASTUTI 123160014.pdf Download (203kB)
	Text LEMBAR PENGESAHAN PEMBIMBING.pdf Download (116kB)
	Text DAFTAR PUSTAKA SKRIPSI PUJI ASTUTI 123160014.pdf Download (136kB)
	Text SKRIPSI PUJI ASTUTI 123160014 FULL.pdf Restricted to Repository staff only Download (4MB)

Abstract

Tanaman mangga merupakan tanaman buah yang potensial untuk dikembangkan
karena mempunyai tingkat keberagaman genetik yang tinggi. Mangga menjadi salah satu
tanaman hortikultura yang menjadi prioritas untuk dikembangkan di Indonesia disamping
pisang dan jeruk. Keberagaman jenis tanaman mangga yang ada membuat masyarakat sering
kali tertipu dengan jenis pohon mangga yang ditanam. Dalam mengklasifikasikan varietas
mangga, penambahan fitur metric eccentricity dan GLCM yang diklasifikasikan
menggunakan BPNN dianggap dapat meningkatkan akurasi.
Pada penelitian ini varietas mangga yang diklasifikasikan yaitu mangga apel, mangga
madu dan mangga okyong. Fitur yang digunakan dalam proses klasifikasi yaitu kombinasi
antara ekstraksi ciri bentuk menggunakan metric dan eccentricity serta ekstraksi ciri tekstur
menggunakan GLCM dengan fitur contrast, correlation, energy dan homogeneity dengan
jarak piksel 1 dan sudut 0ᵒ, 45ᵒ, 90ᵒ dan 135ᵒ. Fitur bentuk dan tekstur kemudian digunakan
sebagai masukan pada metode Back-Propagation Neural Network (BPNN) untuk
mengklasifikasikan varietas mangga berdasarkan morfologi daun.
Berdasarkan hasil pengujian yang telah dilakukan dalam penelitian dengan jumlah data
200 buah dengan perbandingan antara data latih dan data uji sebesar 80%:20% mendapatkan
akurasi terbaik menggunakan ekstraksi grayscale dengan posisi citra potrait menghasilkan
akurasi 95%, presisi 95,45%, recall 95,45%, pengujian menggunakan ekstraksi grayscale
dengan posisi citra landscape menghasilkan akurasi 85,42%, persisi 85,42% dan recall
82,5%, pengujian menggunakan ekstraksi red menghasilkan akurasi 62,5%, presisi 50,75%
dan recall 58,25%, pengujian menggunakan ekstraksi green menghasilkan akurasi 92,5%,
presisi 92,5% dan recall 92,5% dan pengujian menggunakan ekstraksi blue menghasilkan
akurasi 87,5%, presisi 88,35% dan recall 85% dengan peningkatan rata-rata sebesar 8,25%.
Hal tersebut menandakan penggunaan ekstraksi warna grayscale dengan posisi citra potrait
pada fitur metric eccentricity dan GLCM dapat meningkatkan akurasi.
Kata kunci : Klasifikasi Mangga; Metric Eccentricity; GLCM; BPNN

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi Mangga; Metric Eccentricity; GLCM; BPNN
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	09 Dec 2022 06:19
Last Modified:	09 Dec 2022 06:19
URI:	http://eprints.upnyk.ac.id/id/eprint/31857

Actions (login required)

View Item