Detil Buku

Judul File IMPLEMENTASI CITRA DIGITAL BERDASARKAN NILAI HSV UNTUK MENGIDENTIFIKASI JENIS TANAMAN MANGGA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
Kategori Skripsi (S-1)
NIM 1137050094
Nama Penulis Galih Fathul Rohmi
Deskripsi Mangga merupakan tanaman buah tahunan yang berasal dari India. Meskipun mangga bukan buah asli dari Indonesia, akan tetapi keberadaan mangga sudah tersebar di seluruh penjuru nusantara membuatnya poupler dan menjadi salah satu buat favorite masyarakat Indonesia. Di seluruh dunia tercatat kurang lebih ada sekitar 69 species mangga yang tersebar di kawasan Asia Tropik. Jenis mangga di Indonesia kurang lebih ada 30 jenis yang tersebar di berbagai daerah. Dengan keanekaragan tersebut, klasifikasi mangga menjadi tantangan tersendiri untuk dilakukan. Selama ini proses identifikasi tanaman khususnya mangga masih menggunakan cara manual atau dengan penglihatan kasat mata dengan mengandalkan tenaga ahli. Hal ini tentunya mempunyai beberapa kekurangan diantaranya keterbatasan dalam pengingatan, waktu dalam proses identifikasi, dan penglihatan kurang akurat yang disebabkan oleh beberapa faktor. Penggabungan teknologi pengolahan citra (image processing) dan teknologi android mobile dapat dimanfaatkan untuk membantu dalam proses identifikasi mangga. Proses identifikasinya melalui warna citra daun mangga yang nantinya digunakan sebagai nilai klasifikasi dalam penentuan jenis tanaman mangga tersebut. Fitur citra yang digunakan untuk mendapat nilai warna sebagai nilai klasifikasi yaitu menggunakan ekstraksi warna Hue, Saturation, dan Value (HSV). Algoritma yang digunakan untuk klasifikasi yaitu algoritma ┬ČK-Nearest Neighbor (KNN) dimana algoritma ini bekerja dengan membandingkan kedekatan jarak antara data latih (training) yang telah tersimpan pada database dengan data citra uji (testing) yang di foto menggunakan kamera smartphone android. Hasil akurasi yang didapatkan menggunakan metode K-Nearest Neighbor (KNN) yang diambil dari nilai ekstraksi fitur warna Hue, Saturation, dan Value (HSV) yaitu 71,87% dari 32 pengujian pada delapan class label.
Tahun 2017
Tanggal Upload 30/08/2018, Pukul : 10:34:58
File
Silahkan login terlebih dahulu agar Anda dapat mendownload filenya
 
Kembali