Klasifikasi Kualitas Biji Jagung Berdasarkan Citra Biji Jagung Menggunakan Ekstraksi Fitur Histogram dan Naive Bayes Classifier

Ulifah, Amanda (2024) Klasifikasi Kualitas Biji Jagung Berdasarkan Citra Biji Jagung Menggunakan Ekstraksi Fitur Histogram dan Naive Bayes Classifier. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5001201148_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (7MB) | Request a copy

Abstract

Untuk memastikan produktivitas dan kualitas tanaman jagung yang optimal, pemantauan dan pengelolaan yang tepat sangat diperlukan. Salah satu pendekatan yang menjanjikan untuk mencapai hal ini adalah melalui pengolahan citra digital yang memungkinkan analisis visual tanaman secara otomatis dan efisien. Salah satu teknik yang efektif dalam pengolahan citra digital untuk klasifikasi adalah Naïve Bayes Classifier. Penelitian ini dilakukan guna mengetahui suatu sistem perangkat lunak yang dapat mengklasifikasikan kualitas biji ke dalam empat klasifikasi biji yaitu biji busuk, biji rusak, biji berjamur, dan biji normal jagung menggunakan ekstraksi fitur citra biji jagung dan menganalisa akurasi yang didapatkan dengan metode yang telah digunakan serta membandingkan hasil penelitian ini dengan penelitian sebelumnya yang menggunakan metode distribusi intensitas RGB. Bahan atau sampel yang digunakan pada penelitian ini yaitu biji jagung yang telah diklasifikasikan ke dalam 4 bagian. Jumlah sampel yang digunakan sebanyak 120 sampel untuk pelatihan dan 80 sampel untuk pengujian. Metode yang digunakan pada penilitan ini adalah metode Naïve Bayes Classifier. Tahapan-tahapan penelitian yang digunakan adalah mengubah citra RGB ke citra greyscale, filterisasi dengan median filter, ekualisasi dengan adaptif histogram, ekstraksi ciri menggunakan 5 fitur histogram, dan klasifikasi menggunakan metode Naïve Bayes Classifier. Dari hasil penelitian ini diperoleh tingkat akurasi rata-rata sebesar 75% untuk proses pelatihan dan 62.5% untuk proses pengujian. Hasil dari penelitian ini tidak sebagus hasil penelitian sebelumnya yang menggunakan distribusi intensitas RGB.
===================================================================================================================================
To ensure optimal productivity and quality of corn plants, proper monitoring and management are essential. One promising approach to achieve this is through digital image processing that allows for automatic and efficient visual analysis of plants. One effective technique in digital image processing for classification is the Naïve Bayes Classifier. This study was conducted to determine a software system that can classify seed quality into four seed classifications, namely rotten seeds, damaged seeds, moldy seeds, and normal corn seeds using corn seed image feature extraction and analyzing the accuracy obtained with the method that has been used and comparing the results of this study with previous studies using the RGB intensity distribution method. The materials or samples used in this study were corn seeds that had been classified into 4 parts. The number of samples used was 120 samples for training and 80 samples for testing. The method used in this study was the Naïve Bayes Classifier method. The stages of the research used are converting RGB images to grayscale images, filtering with median filters, equalizing with adaptive histograms, extracting features using 5 histogram features, and classifying using the Naïve Bayes Classifier method. The results of this study obtained an average accuracy rate of 75% for the training process and 62.5% for the testing process. The results of this study are not as good as the results of previous studies using RGB intensity distribution.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Biji Jagung, Ekstraksi Fitur Histogram, Naïve Bayes Classifier, Pengolahan Citra Digital. Corn Kernel, Digital Image Processing, Extraction Histogram Features, Naïve Bayes Classifier.
Subjects:	Q Science Q Science > QC Physics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Physics > 45201-(S1) Undergraduate Thesis
Depositing User:	Amanda Maulida Ulifah
Date Deposited:	14 Aug 2024 07:08
Last Modified:	14 Aug 2024 07:08
URI:	http://repository.its.ac.id/id/eprint/115125

Actions (login required)

View Item