PROCEEDINGerepo.unud.ac.id/id/eprint/10286/1/f8f827007c32c67437d69... · 2020. 7. 21. ·...

PROCEEDING SEMINAR NASIONAL

TEKNOLOGI INFORMASI DAN APLIKASINYA

2014

“Membangun Jiwa Technopreneurship yang Kreatif dan

Inovatif di Era Big Data”

Bali, 17 OKTOBER 2014

Diselenggarakan Oleh:

Program Studi Teknik Informatika

Jurusan Ilmu Komputer

Universitas Udayana

Bali

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya

penyusunan Proceeding SNATIA 2014 ini. Buku ini memuat naskah hasil penelitian dari

berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah

dipresentasikan dalam acara Seminar SNATIA tahun 2014 pada tanggal 17 Oktober 2014

di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.

Kegiatan SNATIA 2014 merupakan agenda tahunan Program Studi Teknik

Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2014 mengambil

tema “Membangun Jiwa Technopreneurship yang Kreatif dan Inovatif di Era Big Data”,

dengan pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan Pemerhati

dibidang Teknologi Informasi, Technopreneurship, dan Big Data.

Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah

dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu

panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas

kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat

diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-

mail [email protected].

Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam

penyelenggaraan seminar, dan penyusunan proceeding SNATIA 2014, panitia

mengucapkan terima kasih.

Denpasar, 17 Oktober 2014

Panitia SNATIA 2014

mailto:[email protected]

DAFTAR ISI

Kata Pengantar

Daftar Isi

Simulasi Pengaturan Lampu Lalu Lintas Pada Persimpangan Menggunakan

Logika Fuzzy Dengan Metode Tsukamoto

Ketut Bayu Yogha B. ......................................................................................... 1

Aplikasi Pencarian Lokasi Dealer Dan Servis Resmi Sepeda Motor Wilayah

Bandarlampung Berbasis Android Dengan Algoritma A*

Agus Waisnawa ................................................................................................ 11

Rancangan Sistem Akuntansi Pemerintah Daerah Berbasis Akrual

Kholid Haryono ................................................................................................ 16

Aplikasi Panduan Mahasiswa Kalbis Institute Berbasis Mobile Multimedia

Nuraini Purwandari ............................................................................................. 24

Perancangan Dan Implementasi Data Warehouse Spasial Untuk Mendukung

Layanan Kebencanaan: Studi Kasus Badan Informasi Geospasial (Big)

Irena Susanti ..... ................................................................................................ 34

Elisitasi Kebutuhan Prototipe Pengelolaan Unpredictable Data Pada

Basisdata Spatio Temporal Untuk Disaster Information Management System

(DIMAS)

Yani Widyani ..... ................................................................................................ 44

Perancangan Sistem Proteksi File Video Dengan Algoritma AES (Advance

Encryption Standard)

I Gusti Agung Gede Arya Kadyanan ................................................................ 51

Studi Komparasi Penggunaan Framework Tata Kelola Teknologi Informasi

Lembaga Sandi Negara

Ninik Ratna Dewi ............................................................................................. 60

Pola Adopsi Situs Jejaring Sosial

Almed Hamzah ................................................................................................ 67

Sistem Penilaian Ujian Essay Otomatis Menggunakan Metode Jaro Winkler

Rahimi Fitri ...... ................................................................................................ 72

Implementasi Algoritma Steganografi Enhanched Least Significant Bit Untuk

Menyembunyikan Pesan Pada Gambar

I Wayan Adi Wiratama ....................................................................................... 79

Analisis Pengaruh Penggunaan Sistem Informasi Tour Travel Terhadap

Peningkatan Kunjungan Wisatawan Pada Bali Precious Tours

I Gede Adrian Agustana .................................................................................... 85

Implementasi Sistem Single Sign On Pada Aplikasi Berbasis Web

Menggunakan Central Authentication Service

I Putu Agus Eka Darma Udayana ....................................................................... 94

Sistem Prakiraan Curah Hujan Harian Dengan Fuzzy Inference System

I Made Agus Oka Gunawan .............................................................................. 103

Sistem Pendeteksi Kantuk Untuk Pengemudi Dengan Metode Haarcascade

Classifier

I Gede Arya Maharta ........................................................................................ 110

Implementasi Sistem Pencarian Pada Sinopsis Film Menggunakan

Metodepembobotan Term Frequency Inverse Document Frequency (TF-IDF)

Ni Made Ayu Handayani .................................................................................. 116

Implementasi Sistem Manajemen Admin Pada Ldap Server Menggunakan

PHP LDAP

I Putu Gede Darpana Putra W ............................................................................. 122

Klasifikasi Wine Berdasarkan Kandungan Alkohol Dan Asam Malat

Menggunakan Algoritma K-Nearest Neighbor (KNN)

Kadek Dwi Praseptia Putra ................................................................................. 133

Rancang Bangun Sistem Informasi Promosi Online Menggunakan

Framework YII

Faizal A Saputra . ............................................................................................... 138

Implementasi File Sharing Dengan Protokol Server Message Block (SMB)

Pada Router Mikrotik Di Kantor Desa Lodtunduh

Putu Ferry Audy Praditha ................................................................................... 142

Pengenalan Huruf Isyarat Menggunakan Modified K-Nearest Neighbor

Fuad Adi Pradana .............................................................................................. 146

Management Bandwidth Menggunakan Simple Queue Pada Router Mikrotik

Made Hadi Yudana ........................................................................................... 152

Implementasi Pengembangan Firewall Filter Pada Protokol Ssh Untuk

Mencegah Serangan Brute Force Pada Proses Otentikasi Router Mikrotik

Hamzah Eka Novia Prakasa .............................................................................. 157

Perancangan Dan Implementasi Website Pada Pt. Darma Telekomunikasi

Dengan Framework Codeigniter

Gde Kharisma Primawardhana Agusta ............................................................. 164

Implementasi Metode Redness Dan Circle Detection Pada Pengenalan Buah

Apel Pada Gambar Pohon Apel

Nyoman Krisnaadi Suastika ............................................................................... 171

Analisis Protokol Tcp Reno Dan Tcp Vegas Pada Traffik CBR

Natanael Kristiawan .......................................................................................... 175

Analisis Dan Implementasi Pengembangan Web Menggunakan Content

Management System Wordpress (Studi Kasus: Web Bali-India Foundation)

Putu Pande Wahyu Diatmika ............................................................................ 180

Perancangan Dan Implementasi Sistem Pembelajaran Dengan Metode Drill

Soal Pada Mata Pelajaran Matematika

Ida Bagus Adisimakrisna Peling ........................................................................ 186

Implementasi Identifikasi Letak Iris Mata Dengan Transformasi Hough Dan

Gabor Filter

I Gede Wahyu Surya Dharma ............................................................................ 194

Penerapan Metode Particle Swarm Optimization Pada Optimasi Distribusi

Lpg Dari Agen Ke Toko

I Made Hary Kartika Putra .................................................................................. 200

Implementasi Replikasi Basis Data Terdistribusi Pada Sistem Informasi

Invoice Di CV. Avatar Solution

I Wayan Parwita ................................................................................................ 205

Implementasi Algoritma Rabin-Karp Untuk Sistem Pendeteksi Kesamaan

Dokumen Proposal Tugas Akhir

I Gede Wira Kusuma Jaya ................................................................................. 212

Integrasi Openmeetings Dengan Moodle Sebagai Sarana Pembelajaran

Jarak Jauh

I G A Bagus Prema Pradana ............................................................................. 220

Implementasi Hit & Miss Cache Proxy Untuk Penggunaan Bandwidth Yang

Efektif

Rae Arya Pangestu Here Wollo .......................................................................... 227

Klasifikasi Buah Menggunakan Metode Support Vector Machine (SVM)

Dengan Kernel Gaussian Radial Basis Function (RBF)

Komang Soniya Gunawan .................................................................................. 232

Steganografi Pesan Text Terenkripsi Caesar Cipher Pada File Audio Mp3

Dengan Metode Bit Parity Coding

Ni Nyoman Sri Suariani ..................................................................................... 237

Implementasi Traffik Filtering Dan Transparent Proxy Dalam Membangun

Web Proxy Pada Mikrotik Router Di Kantor Desa Baturiti

I Kadek Sumara ................................................................................................ 246

Analisis Performa Protocol TCP SACK Dan SCTP Pada Aplikasi FTP Dan

CBR

Ida Bagus Tantra Pradhana ................................................................................. 251

Implementasi Algoritma Genetika Dalam Proses Pengendalian Lengan Robot

Luh Trisna Aryantini ........................................................................................ 257

Simulasi Antrian Nasabah Bank Dengan Mengadaptasi Model Analitikal

Antrian (Studi Kasus: Bank BNI Cabang Jimbaran)

Ni Wayan Eka Ayuningsih ................................................................................ 263

Peramalan Cuaca Dengan Metode Root Means Square Error (RMSE)

Berdasarkan Algoritma Adaptive Splines Threshold Autoregression (ASTAR)

Di Bandara Ngurah Rai Bali

Luh Eka Kusumayanti ...................................................................................... 270

Analisis Dan Desain Algoritma Pewarnaan Graf (Studi Kasus Penjadwalan

Level Pelajaran Di Robokidz Jimbaran)

Gede Dian Wirawan Putra ................................................................................ 274

Analisis Perbandingan Tingkat Efisiensi Pelayanan Sarbagita Melalui Sms

Gateway Dan Manual

Ni Made Krista Kurnia Dewi ............................................................................. 278

Pencarian Otonan Dengan Konversi Tanggal Masehi Ke Bilangan Julian

Menggunakan Fungsi Sys Pada Visual Foxpro

Made Pasek Agus Ariawan ............................................................................... 282

Implementasi Algoritma K-Means Clustering Terhadap Pengklasifikasian

Hasil Belajar Siswa Sebagai Bahan Kaji Efektifitas Media Pembelajaran

Matematika Berbasis TIK Di SMP Negeri 3 Semarapura

I Wayan Safira Sri Artha .................................................................................... 288

Keamanan Jaringan Wifi Pada Sistem Login Member Perpustakaan Daerah

Singaraja Menggunakan Metode Algoritma Vigenere Chipper

Gede Suhendra Prayoga Saputra ....................................................................... 293

Perancangan Dan Implementasi Sistem Manajemen Proyek Pada Pt. Asanka

Dengan Menggunakan Metode Prototyping

Putu Bagus Ari Dharma Udayana ...................................................................... 300

Implementasi Virtual Private Network Menggunakan EoIP Tunnel Untuk

Koneksi Bridging Antar Kantor Di Dinas Komunikasi Dan Informatika Kota

Denpasar

I Gede Wahyu Pramartha ................................................................................... 307

Analisis Metode Steganografi Advance LSB Pada Domain Transformasi

Wavelet Menggunakan MSE, PSNR Dan SSIM

I Wayan Agus Wirayasa ................................................................................... 312

Perancangan Dan Implementasi Sistem Informasi Kritik & Saran Pelayanan

Public Kantor Imigrasi Kelas I Denpasar

Ni Putu Yanita Pratiwi ...................................................................................... 320

Analisis Storage Data Record Pada IP Camera Di Gedung Rektorat

Universitas Udayana

Ida Bagus Gede Yogi Permadi ............................................................................ 327

Sistem Absensi Pegawai Dan Pendataan Tamu Berbasis Desktop (Studi

Kasus Biro Jasa House Of Bali)

Ni Nyoman Yuli Andari .................................................................................... 332

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014

232 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana

KLASIFIKASI BUAH MENGGUNAKAN METODE SUPPORT

VECTOR MACHINE (SVM) DENGAN KERNEL GAUSSIAN

RADIAL BASIS FUNCTION (RBF)

Komang Soniya Gunawan1, Agus Muliantara2 1,2 Program Studi Teknik Informatika, Jurusan Ilmu Komputer, FMIPA, Universitas Udayana

Jimbaran, Badung, Bali

Email : [email protected], [email protected]

ABSTRAK

Mengingat semua kode buah merupakan hal yang sulit bagi seorang kasir. Sehingga, hal tersebut dapat

mengakibatkan kesalahan dalam menginputkan kode buah tersebut. Salah satu solusinya adalah menggunakan

kamera untuk mengenal jenis buah tersebut tanpa menginputkan kode tersebut. Untuk itu, diusulkan untuk

menggunakan metode klasifikasi Support Vector Machine dengan dukungan kernel (kSVM), dengan tujuan agar

hasil klasifikasi lebih cepat dan akurat. Pertama, gambar buah di akuisisi oleh kamera, yang kemudian

dilakukan proses pengurangan noise dan menghilangkan latar belakang dari masing-masing gambar. Kedua,

gambar tersebut akan di ekstraksi fitur yang terdiri dari fitur warna, bentuk, dan tekstur yang kemudian

dilakukan proses normalisasi data fitur. Kernel SVM yang digunakan adalah Gaussian Radial Basis Function

(RBF). Hasil percobaan menunjukkan bahwa SVM dengan Gaussian Radial Basis Function Kernel dengan nilai

mencapai akurasi klasifikasi terbaik yaitu 95 %.

Kata Kunci : Klasifikasi Buah, SVM, Kernel SVM, Gaussian Radial Basis Function Kernel.

ABSTRACT

Considering all the fruit code that may be difficult for a cashier. Thus, it may lead to make mistakes in

the input fruit code. One solution is to use the camera to recognize the type of fruit without input the code.

Therefore, it is propose a classification method based on a kernel Support Vector Machine (kSVM), with the

desirable goal of accurate and fast classification of fruits. First, fruit images were acquired by a digital camera,

then the background of each image was removed and filtering to reduction the noise. Second, the image will be

in the feature extraction which consists of the features of color, shape, and texture, and then the process of

normalizing the feature data. Kernel SVM used is a Gaussian Radial Basis Function (RBF). The experimental

results show that SVM with Gaussian Radial Basis Function Kernel with a value of achieves the best

classification accuracy is 95 %.

Keywords : Fruit Classification, SVM, Kernel SVM, Gaussian Radial Basis Function Kernel

1. PENDAHULUAN

Pengenalan pada beberapa jenis buah dan

sayuran merupakan hal yang tidak mudah bagi

seorang kasir di suatu supermarket. Seorang kasir

untuk mengingat semua kode sesuai dengan jenis

buah dan sayuran merupakan hal yang sulit yang

dapat mengakibatkan kesalahan seperti salah dalam

menginputkan kode jenis buah. Solusi lain yang

dapat mengurangi kesalahan dari kasir tersebut

adalah membuat sistem yang dapat mengenali jenis

buah tersebut pada supermarket. Sistem tersebut

menggunakan sensor kamera yang dapat

menangkap gambar buah tersebut, kemudian sistem

akan memberikan hasil sehingga kasir tidak butuh

menginputkan kode buah tersebut yang akan dibeli

oleh konsumen.

Selama beberapa tahun terakhir, banyak

penelitian yang telah dilakukan untuk klasifikasi

buah, diantaranya adalah Klasifikasi Buah

menggunakan Multiclass Support Vector Machine

dengan menggunakan fitur warna, bentuk, dan

tekstur untuk mengenali 18 jenis buah [1],

Klasifikasi buah menggunakan metode SVM dan

LDA untuk mengenali 12 jenis buah [7], dan

klasifikasi buah-buahan dan sayuran menggunakan

algoritma clustering [8].

Oleh karena itu, pada penelitian ini akan

menggunakan metode Support Vector Machine



(SVM) dengan Kernel Radian Basis Function

(RBF) dengan menggunakan beberapa fitur yaitu

fitur warna, bentuk, dan tekstur.

2 LANDASAN TEORI

2.1 Dataset

Pada penelitian ini, dataset yang

digunakan adalah data dikumpulkan dengan

menggunakan kamera digital. Buah Jeruk

Kintamani dan Apel Manalagi diletakkan di bidang

datar dengan latar berwarna hitam, dengan maksud

untuk mengurangi efek bayangan. Total dataset

yang digunakan sebanyak 60 buah. Dataset tersebut

terdiri dari 30 buah apel dan 30 buah jeruk.

Gambar 1 : Apel Gambar 2 : Jeruk

2.2 Pengurangan Noise dan Segmentasi Citra

Noise merupakan informasi yang tidak

diinginkan yang mencemari citra. Noise berbentuk

titik-titik atau pixel-pixel yang memiliki intensitas

berbeda yang mengganggu citra. Biasanya, noise

terjadi pada saat akuisisi citra seperti sebuah

kamera yang memotret, proses scan gambar,

sehingga diperlukannya proses pengurangan noise

pada citra. Salah satu metode untuk menghilangkan

noise adalah Median Filtering. Median Filtering

adalah mengganti nilai pixel dengan median dari

level intensitas dalam tetangga pixel yang telah

dilakukan pengurutan. Setelah proses pengurangan

noise, dilanjutkan dengan proses segmentasi citra.

Segmentasi citra adalah pemisahan antara objek

dengan latar yang terdapat dalam sebuah citra.

2.3 Ekstraksi Fitur

2.3.1 Fitur Warna

Pada proses ekstraksi fitur warna, citra

RGB akan dikonversi menjadi citra HSV. Citra

dengan ruang HSV (Hue, Saturation, Value)

menunjukkan ruang warna dalam bentuk tiga

komponen utama. Hue menunjukkan jenis warna

yang ditemukan dalam spectrum warna. Saturation

adalah ukuran seberapa besar kemurnian suatu

warna. Value adalah seberapa besar kecerahan dari

suatu warna atau seberapa besar cahaya dari suatu

warna. Setelah proses tersebut, nilai Value akan

direpresentasikan menggunakan histogram.

Histogram warna adalah representasi grafis untuk

distribusi warna dari suatu citra.

Untuk menentukan nilai Value pada citra

RGB, dapat dinyatakan dengan rumus :

(1)

dimana :

V : value pada citra HSV

2.3.2 Fitur Tekstur

Ekstraksi fitur dengan analisis tekstur

dilakukan dengan mengambil fitur dari citra

grayscale berupa mean, contrast, homogeneity,

energy, variance, correlation, dan entropy. Ciri

Entropy menunjukkan sifat ketidakteraturan suatu

citra. Ciri Energy menunjukkan sifat homogenitas

suatu citra. Ciri Contrast menunjukkan ukuran

penyebaran elemen-elemen matriks citra. Ciri

Homogeneity menunjukkan keseragaman intensitas

keabuan pada citra. Ciri Correlation menunjukkan

ukuran ketergantungan linear derajat keabuan citra

sehingga dapat memberikan petunjuk adanya

struktur linear dalam citra. Ciri Mean menunjukkan

ukuran disperse dari suatu citra. Ciri Variance

menunjukkan variasi elemen pada histogram dari

suatu citra.

(2)

(3)

(4)

(5)

,

(6)

(7)

(8)



dimana :

p(fn) : jumlah kemunculan suatu nilai

intensitas (nilai histogram suatu

nilai intensitas keabuan).

fn : nilai intensitas keabuan dalam suatu

citra, rentang 0 – 255.

p(i,j) : nilai pada baris i dan kolom j pada

matriks kookurensi.

: standar deviasi

: mean

: variance

2.3.3 Fitur Bentuk

Ekstraksi fitur dengan analisis bentuk

adalah bentuk suatu objek berkaitan dengan profile

dan struktur fisik dari objek tersebut. Dalam

analisis bentuk, terdapat fitur area dan perimeter.

Area menyatakan luas dari suatu objek, sedangkan

perimeter menyatakan panjang dari kerangka yang

dihasilkan atau objek. Untuk menghitung area dan

perimeter, untuk mendeskripsikan atau

mengkodekan bentuk atau counter suatu objek

dapat menggunakan kode rantai atau Chain Code.

(9)

(10)

2.4 SVM dan Kernel

Support Vector Machines (SVM) pertama

kali diperkenalkan oleh Vapnik pada tahun 1992

sebagai rangkaian harmonis konsep-konsep

unggulan dalam bidang pattern recognition. SVM

adalah metode learning machine yang bekerja atas

prinsip Structural Risk Minimization (SRM)

dengan tujuan menemukan hyperplane terbaik yang

memisahkan dua buah kelas pada input space.

Hyperplane yang paling baik dapat diperoleh

dengan memaksimalkan nilai margin. Margin

adalah jarak minimum antara hyperplane dengan

data training. Hyperplane terbaik akan melewati

pertengahan antara kedua kelas. Data yang letaknya

dekat dengan hyperplane disebut support vector.

Proses pembelajaran dalam SVM adalah mencari

data yang merupakan support vector untuk

memperoleh hyperplane yang terbaik.

(11)

dimana :

w : bobot

b : bias

L : lagrange

: alpha

y : nilai target kelas untuk data training

x : data training

Untuk mencari data yang merupakan

support vector, maka dapat menggunakan

persamaan (11) yang merupakan masalah Quadratic

programming. Dengan menggunakanQuadratic

Programming didapatkan nilai alpha . Bila data

memiliki nilai , maka data tersebut

bukanlah support vector. Sedangkan bila ,

maka data tersebut merupakan support vector.

Apabila nilai telah diperoleh, maka dan

dapat diperoleh dengan menggunakan persamaan

(12) dan (13). Setelah itu, dapat melakukan proses

testing dengan persamaan (14).

(12)

(13)

(14)

Namun terdapat beberapa kasus yang tidak

dapat diselesaikan dengan SVM Linear, sehingga

kasus tersebut dapat diselesaikan dengan SVM Non

Linear. Data yang dipetakan ke ruang vector

berdimensi lebih tinggi, memiliki potensi lebih

besar untuk dapat dipisahkan secara linear.

Sehingga pemakaian konsep kernel akan mengatasi

masalah tersebut. Dengan konsep kernel tersebut,

persamaan (14) akan berubah menjadi persamaan

(16). Salah satu fungsi kernel yang paling banyak

digunakan adalah Radial Basis Function (RBF)

Kernel. Rumus Kernel RBF dapat dilihat pada

persamaan (15).



(15)

(16)

dimana :

K : kernel

exp : eksponensial ( )

x : data training

: parameter sigma

SV : support vector

t : data testing

3 SKENARIO UJI COBA

Pada proses testing, data testing akan

dilakukan proses filtering, segmentasi, ekstraksi

fitur, dan normalisasi data. Lalu dilakukan proses

klasifikasi SVM dengan data yang telah didapatkan

dari proses training, yaitu nilai w dan bias. Dari

proses tersebut, maka akan dihasilkan kelas apa

yang di prediksi dari SVM tersebut.

Gambar 3 : Proses Testing

4 HASIL UJI COBA

Pada penelitian ini,fitur awal yang

berjumlah 10 fitur telah menjadi 40 fitur dengan

menggunakan kernel RBF. Dataset yang digunakan

untuk proses training adalah 40 buah. Sedangkan

untuk proses testing menggunakan 20 buah.

Pada kernel RBF SVM terdapat parameter

yang nilainya dapat diubah. Saat proses training,

dataset diatur secara acarak antara kelas apel dan

kelas jeruk. Pada proses pengujian ini, dilakukan

percobaan dengan memasukkan nilai parameter

antara 0.1 sampai 1.

Tabel 1 : Perbandingan Hasil Akurasi dengan

Parameter Menggunakan SVM Kernel RBF

Parameter Akurasi (%)

0.1 50

0.2 50

0.3 50

0.4 50

0.5 50

0.6 90

0.7 15

0.8 95

0.9 15

1 15

Dari Tabel 1, dapat dilihat bahwa akurasi

dari SVM dengan Kernel RBF menggunakan nilai

memiliki nilai akurasi sebesar 95 %

dibandingkan dengan nilai yang lainnya sesuai

dengan Tabel 1. Tabel Confusion Matrix SVM

dengan Kernel RBF menggunakan nilai

dapat dilihat pada Tabel 2.

Tabel 2 : Tabel Confusion Matrix SVM Kernel

RBF dengan

Predicted Class

Accuration Apel Jeruk

Act

ual

Cla

ss

Apel 9 1 90%

Jeruk 0 10 100%

Reliability 100% 90.91% 95%

5 KESIMPULAN

Melalui penelitian ini, dapat diketahui

bahwa metode SVM dengan menggunakan kernel



RBF dapat memecahkan kasus klasifikasi buah

jeruk dan apel. Berdasarkan penelitian ini,

penggunaan parameter dengan nilai 0.8 memiliki

akurasi sebesar 95%. Akan tetapi, tingkat akurasi

dari SVM masih mungkin dapat ditingkatkan.

Untuk penelitian selanjutnya, disarankan untuk

menambahkan dataset dan fitur agar dapat

menghasilkan akurasi yang lebih baik, dan jenis

buah dapat diperbanyak untuk di klasifikasi

menggunakan metode SVM.

6. DAFTAR PUSTAKA

[1] Zhang, Yudong., Wu, Lenan. 2012.

“Classification of Fruit Using Computer Vision

and a Multiclass Support Vector Machine”.

School of Information Science and

Engineering, Southeast University. Sensors

ISSN 1424-8220.

[2] Hamel, Lutz. 2009. Knowledge Discovery

With Support Vector Machines. New Jersey

: John Wiley & Sons, Inc.

[3] Putra, Dharma. 2010. Pengolahan Citra

Digital. Yogyakarta : Penerbit Andi Offset.

[4] Prasetyo, Eko. 2011. Pengolahan Citra

Digital dan Aplikasinya Menggunakan

Matlab. Yogyakarta : Penerbit Andi Offset.

[5] Tuceryan, Mihran. 1998. Texture Analysis.

World Scientific Publishing.

[6] Fojlaley, Mehrdad., Ahmadi Moghadam,

Parviz., Amani Nia, Saeed. 2012. “Tomato

Classification and Sorting with Machine

Vision using SVM, MLP, and LVQ”.

International Journal of Agriculture and

Crop Sciences, ISSN 2227-670X.

[7] Rocha, Anderson., Hauagge, Daniel., Wainer,

Jacques., Goldenstein, Siome. 2010.

“Automatic Fruit and Vegetable Classification

from Images”. Elsevier, Computers and

Electronics in Agriculture 70, 96–104.

[8] Pennington, J.A.T., Fisher, R.A. 2009.

“Classification of Fruits and Vegetables”. J.

Food Compos, Anal 2009, 22, S23–S

PROCEEDINGerepo.unud.ac.id/id/eprint/10286/1/f8f827007c32c67437d69... · 2020. 7. 21. ·...

Documents

Transcript of PROCEEDINGerepo.unud.ac.id/id/eprint/10286/1/f8f827007c32c67437d69... · 2020. 7. 21. ·...