PENGARUH PENGGUNAAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) UNTUK EKSTRAKSI FITUR TEKSTUR TERHADAP AKURASI KLASIFIKASI KUALITAS BUAH APEL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

ALLYANDARU, LIEK (2023) PENGARUH PENGGUNAAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) UNTUK EKSTRAKSI FITUR TEKSTUR TERHADAP AKURASI KLASIFIKASI KUALITAS BUAH APEL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK_123180054_LIEK ALLYANDARU.pdf Download (12kB)
	Text COVER_123180054_LIEK ALLYANDARU.pdf Download (70kB)
	Text DAFTAR ISI_123180054_LIEK ALLYANDARU.pdf Download (51kB)
	Text DAFTAR PUSTAKA_123180054_LIEK ALLYANDARU.pdf Download (139kB)
	Text PENGESAHAN PEMBIMBING_123180054_LIEK ALLYANDARU.pdf Download (74kB)
	Text PENGESAHAN PENGUJI_123180054_LIEK ALLYANDARU.pdf Download (74kB)
	Text SKRIPSI FULL_123180054_LIEK ALLYANDARU.pdf Restricted to Repository staff only Download (3MB)

Abstract

vii
ABSTRAK
Permintaan akan buah-buahan berkualitas tinggi terus meningkat seiring dengan
kesadaran akan gaya hidup sehat. Apel, sebagai salah satu buah yang paling populer,
kaya akan nutrisi dan antioksidan penting. Namun, penilaian kualitas apel secara manual
memiliki keterbatasan, termasuk subjektivitas dan ketidakkonsistenan. Untuk mengatasi
masalah ini, penelitian ini menggabungkan teknologi computer vision dengan machine
learning untuk mengembangkan metode otomatisasi dalam penilaian kualitas buah apel.
Ekstraksi fitur tekstur menggunakan Gray-Level Co-Occurrence Matrix (GLCM)
menjadi fokus utama dalam penelitian ini, dengan hasil menunjukkan bahwa GLCM
memiliki akurasi yang unggul hingga mencapai 86,67%.
Metode yang digunakan dalam penelitian ini mencakup penerapan algoritma
Support Vector Machines (SVM), terutama dengan kernel radial basis function (RBF).
SVM telah terbukti efektif dalam tugas klasifikasi. Penggunaan metode SVM bersama
dengan ekstraksi fitur menggunakan Gray-Level Co-Occurrence Matrix (GLCM)
diharapkan mampu meningkatkan akurasi klasifikasi dan durasi waktu pelatihan.
Hasil yang didapat dari penelitian ini mencakup peningkatan yang signifikan
dalam akurasi klasifikasi, terutama ketika menggunakan metode GLCM+SVM
dibandingkan dengan SVM. Selisih akurasi antara kedua model tersebut mencapai
27,91% dengan akurasi 45,18% pada model SVM dan 73,09% pada model SVM dengan
fitur GLCM. Selain itu, durasi pelatihan model juga memiliki perbedaan dengan waktu
216 detik untuk model SVM dengan fitur GLCM sedangkan model SVM memakan
waktu 374 detik. Namun, penelitian ini juga mengidentifikasi beberapa kasus salah
klasifikasi yang dipengaruhi oleh kompleksitas data dan kualitas citra. Oleh karena itu,
selain akurasi, indikator lain seperti precision, recall, dan F1-score juga perlu
diperhatikan untuk evaluasi yang lebih baik. Penelitian ini memberikan kontribusi
penting dalam menerapkan teknologi computer vision dan metode ekstraksi fitur,
terutama GLCM dalam penilaian kualitas buah apel.
Kata kunci: Klasifikasi Apel, Gray Level Cooccurrence Matrix (GLCM), Support
Vector Machine (SVM), Ekstraksi Fitur Tekstur
viii
ABSTRACT
The demand for high-quality fruits continues to rise in tandem with the growing
awareness of a healthy lifestyle. Apples, being one of the most popular fruits, are rich in
essential nutrients and antioxidants. However, manual apple quality assessment has
limitations, including subjectivity and inconsistency. To address this issue, this research
integrates computer vision technology with machine learning to develop an automated
method for apple quality assessment. Texture feature extraction using Gray-Level Co-
Occurrence Matrix (GLCM) is the primary focus of this study, with results showing that
GLCM achieves outstanding accuracy, reaching up to 86.67%.
The methods employed in this study include the application of Support Vector
Machines (SVM) algorithms, particularly with a radial basis function (RBF) kernel.
SVM has proven to be effective in classification tasks. The use of SVM in conjunction
with feature extraction using the Gray-Level Co-Occurrence Matrix (GLCM) is expected
to improve classification accuracy and training time duration.
The results obtained from this research include a significant increase in
classification accuracy, especially when using the GLCM+SVM method compared to
SVM alone. The difference in accuracy between the two models reaches 27.91%, with an
accuracy of 45.18% for the SVM model and 73.09% for the SVM model with GLCM
features. Additionally, the training duration of the models also varies, with 216 seconds
for the SVM model with GLCM features and 374 seconds for the SVM model. However,
this study also identifies some misclassification cases influenced by data complexity and
image quality. Therefore, besides accuracy, other indicators such as precision, recall,
and F1-score should also be considered for a more comprehensive evaluation. This
research makes a significant contribution to the application of computer vision
technology and feature extraction methods, especially GLCM, in the assessment of apple
quality.
Keywords: Apple Classification, Gray Level Cooccurrence Matrix (GLCM), Support
Vector Machine (SVM), Texture Feature Extraction

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Apple Classification, Gray Level Cooccurrence Matrix (GLCM), Support Vector Machine (SVM), Texture Feature Extraction
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:	18 Sep 2023 01:11
Last Modified:	18 Sep 2023 01:11
URI:	http://eprints.upnyk.ac.id/id/eprint/37538

Actions (login required)

View Item