EVALUASI DAN ANALISIA PERBANDINGAN METODE PENGEKSTAK FITUR PADA CITRA DIGITAL UNTUK MENINGKATKAN AKURASI ALGORITMA KLASIFIKASI STUDI KASUS : BUAH-BUAHAN

IQBAL, RACHMAD (2024) EVALUASI DAN ANALISIA PERBANDINGAN METODE PENGEKSTAK FITUR PADA CITRA DIGITAL UNTUK MENINGKATKAN AKURASI ALGORITMA KLASIFIKASI STUDI KASUS : BUAH-BUAHAN. Other thesis, Universitas Bina Darma.

	Text (BAB 0) BAB 0.pdf Download (1MB)
	Text (BAB 1) BAB 1.pdf Download (254kB)
	Text (DAFTAR PUSTAKA) DP.pdf Download (412kB)
	Text (LAPORAN HASIL) LH_11zon (39).pdf Restricted to Repository staff only Download (4MB)
	Text (LAMPIRAN) L.pdf Download (1MB)

Abstract

Pemilihan buah segar secara manual telah diidentifikasi sebagai tantangan besar bagi sektor pertanian karena sifatnya yang memakan waktu dan potensi kategorisasi yang tidak konsisten. Proses ini memerlukan tenaga manusia untuk memeriksa dan menyortir buah secara visual, sehingga menyebabkan variabilitas dan inefisiensi dalam proses penyortiran. Penelitian ini mengusulkan alternatif berbiaya rendah dengan menggunakan sistem pemilihan buah cerdas berdasarkan teknik penglihatan komputer untuk mengatasi masalah ini. Sistem ini bertujuan untuk mengotomatiskan proses pemilihan buah, meningkatkan efisiensi dan konsistensi dalam mengkategorikan buah-buahan seperti apel, pisang, dan jeruk. Langkah penting dalam mengembangkan sistem cerdas tersebut adalah proses ekstraksi fitur. Ekstraksi fitur sangat penting dalam klasifikasi, terutama untuk sumber data berupa gambar. Ini melibatkan identifikasi dan isolasi informasi relevan dari gambar yang dapat digunakan algoritma klasifikasi untuk membedakan berbagai kategori buah. Jika proses ekstraksi fitur gagal menangkap informasi yang benar, kinerja atau keakuratan algoritma klasifikasi akan terkena dampak negatif. Penelitian ini membandingkan empat metode berbeda untuk mengekstraksi fitur dari gambar buah untuk menentukan metode mana yang menghasilkan akurasi tertinggi untuk klasifikasi buah. Metode ekstraksi ciri yang dievaluasi adalah Color Pixel Values, Grayscale Pixel Values, Mean Pixel Value of Channels, dan Extracting Edge Features. Algoritma klasifikasi yang digunakan dalam penelitian ini adalah algoritma Convolutional Neural Network (CNN). CNN sangat cocok untuk tugas klasifikasi gambar karena kemampuannya mempelajari representasi fitur hierarki dari gambar masukan secara otomatis. Dengan membandingkan kinerja pengklasifikasi CNN menggunakan empat metode ekstraksi fitur yang berbeda, penelitian ini bertujuan untuk mengidentifikasi metode yang memberikan tingkat akurasi tertinggi dalam mengklasifikasikan citra buah. Dengan melakukan analisis komparatif ini, penelitian ini memberikan wawasan tentang teknik ekstraksi fitur yang paling efektif untuk meningkatkan kinerja sistem pemilihan buah berbasis penglihatan komputer, yang pada akhirnya berkontribusi pada kategorisasi buah yang lebih efisien dan konsisten di sektor pertanian. Hasilnya menunjukkan bahwa Grayscale mencapai akurasi validasi tertinggi (99,94%) dan kerugian validasi terendah (0,44%).

Actions (login required)

View Item