Sistem Klasifikasi Jenis Jeruk Impor Menggunakan Metode Klasifikasi Logarithmic Generalized Classifier Neural Network (LGCNN)

Authors

  • Supria Supria Politeknik Negeri Bengkalis

DOI:

https://doi.org/10.33633/tc.v18i3.2374

Keywords:

Jenis jeruk impor, klasifikasi, ekstraksi fitur, LGCNN

Abstract

Jeruk merupakan salah satu jenis buah yang sering dikonsumsi oleh manusia. Selain karena rasanya yang cukup disukai, jeruk juga dipilih sebagai buah favorit karena manfaatnya yang begitu banyak bagi kesehatan karena kaya akan vitamin C. beberapa manfaat dari buah jeruk antaralain adalah mencegah kanker, menjaga kesehatan jantung dan ginjal, menjaga stamina, membantu kesehatan syaraf,  mencegah kerusakan kulit, membantu menjaga system imun dan masih banyak manfaat lainnya. Ada beberapa jenis jeruk yang dapat dibedakan melalui penginderaan. Namun jika orang tidak mengerti jenis jeruk maka sulit untuk membedakan jenis jeruk tersebut. Pada penelitian ini diusulkan Sistem klasifikasi jenis jeruk impor menggunakan metode klasifikasi LGCNN. Ada beberapa tahapan pada sistem yang dirancang yaitu preprocessing, segmentasi, ekstraksi fitur dan klasifikasi. Sistem ini dirancang untuk mengetahui jenis jeruk impor seperti jeruk ponkam, jeruk navel, jeruk valencia dan jeruk santang. Dari hasil ujicoba yang telah dilakukan menunjukkan sistem ini dapat mengklasifikasikan jenis jeruk dengan tingkat akurasi 95.75%.

Author Biography

Supria Supria, Politeknik Negeri Bengkalis

Teknik Informatika

References

R. Sumithra, M. Suhil, and D. S. Guru, “Segmentation and Classification of Skin Lesions for Disease Diagnosis,†Procedia Comput. Sci., vol. 45, pp. 76–85, 2015.

B. Melis and M. Avci, “Logarithmic learning for generalized classifier neural network,†Neural Networks, vol. 60, pp. 133–140, 2014.

L. Busin, N. Vandenbroucke, and L. Macaire, Color Spaces and Image Segmentation, vol. 151, no. 07. Elsevier Masson SAS, 2008.

a. Camargo and J. S. Smith, “An image-processing based algorithm to automatically identify plant disease visual symptoms,†Biosyst. Eng., vol. 102, no. 1, pp. 9–21, 2009.

N. Otsu, “‘A Threshold Select[1] N. Otsu, “‘A Threshold Selection Method from Gray-Level Histograms,’†IEEE Trans. Syst. MAN, Cybern., vol. C, no. 1, pp. 62–66, 1979.ion Method from Gray-Level Histograms,’†IEEE Trans. Syst. MAN, Cybern., vol. C, no. 1, pp. 62–66, 1979.

T. Chen, Y. Chen, and S. Chien, “Fast image segmentation based on K-Means clustering with histograms in HSV color space,†2008 IEEE 10th Work. Multimed. Signal Process., pp. 322–325, 2008.

J. Pang, Z. Y. Bai, J. C. Lai, and S. K. Li, “Automatic segmentation of crop leaf spot disease images by integrating local threshold and seeded region growing,†Proc. 2011 Int. Conf. Image Anal. Signal Process. IASP 2011, pp. 590–594, 2011.

H. Yao, Q. Duan, D. Li, and J. Wang, “‘An Improved K -means Clustering Algorithm for Fish Image Segmentation,’†Math. Comput. Model., vol. 58, no. 3–4, pp. 790–798, 2013.

B. M. Ozyildirim and M. Avci, “Generalized classifier neural network,†Neural Networks, vol. 39, pp. 18–26, 2013.

Downloads

Published

2019-08-30