Pengaruh Peningkatan Resolusi Citra Terhadap Akurasi Klasifikasi Kualitas Biji Jagung Menggunakan Ekstraksi Fitur Histogram Dan Metode Naïve Bayes Classifier

Briliyana, Clauretta Risma (2025) Pengaruh Peningkatan Resolusi Citra Terhadap Akurasi Klasifikasi Kualitas Biji Jagung Menggunakan Ekstraksi Fitur Histogram Dan Metode Naïve Bayes Classifier. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5001211058_Undergraduate_Theses.pdf Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Kurun waktu beberapa tahun terakhir menunjukkan bahwa kebutuhan jagung terus mengalami peningkatan dimana tidak hanya sebagai makanan pokok, hal tersebut menjadikan jagung memiliki nilai ekonomi yang tinggi yang didasarkan pada kualitas bijinya. Saat ini terutama di Indonesia sendiri proses klasifikasi kualitas biji jagung masih dilakukan dengan cara manual, dimana hal tersebut memerlukan banyak waktu, tenaga, dan memiliki tingkat subjektivitas yang tinggi sehingga hasil klasifikasi yang didapat bervariasi dan kurang konsisten. Oleh karena itu dilakukan penelitian ini yang bertujuan untuk mengembangkan sistem klasifikasi kualitas biji jagung berdasarkan citra biji jagung menggunakan metode Naïve Bayes Classifier dengan mempertimbangkan pengaruh variasi resolusi piksel yaitu resolusi normal, resolusi peningkatan 2 kali, dan resolusi peningkatan 3 kali. Bahan yang digunakan pada penelitian ini yaitu 200 sampel biji jagung dengan empat macam kualitas biji yang berbeda, yaitu biji busuk, biji berjamur, biji normal, dan biji rusak. Dimana 120 sampel yang termasuk data latih yang digunakan untuk pelatihan dengan masing-masing kualitas terdiri dari 30 sampel, 80 sampel termasuk data uji digunakan untuk pengujian dengan masing-masing kualitas terdiri dari 20 sampel. Pada data pelatihan resolusi normal akurasi klasifikasinya mencapai 78,33%, pada peningkatan resolusi menjadi dua kali akurasi klasifikasinya meningkat menjadi 80,83%, sedangkan pada peningkatan tiga kali akurasi klasifikasinya sebesar 80%. Pada data pengujian akurasi klasifikasi pada citra dengan resolusi normal mencapai 63,75%, kemudian meningkat menjadi 65% pada resolusi dua kali dan tetap stabil di 65% untuk resolusi tiga kali.
===================================================================================================================================
In recent years, the demand for corn has continued to increase, not only as a staple food but also due to its growing economic value, which is largely determined by the quality of its kernels. Currently, especially in Indonesia, the classification of corn kernel quality is still carried out manually, which is time-consuming, labor-intensive, and highly subjective, resulting in inconsistent and varied classification outcomes. Therefore, this research was conducted with the aim of developing an automated system for classifying corn kernel quality based on corn kernel images using the Naïve Bayes Classifier method, while considering the influence of pixel resolution variations namely normal resolution, 2x increased resolution, and 3x increased resolution. The dataset used in this study consisted of 200 corn kernel samples representing four different quality categories is rotten kernels, moldy kernels, normal kernels, and damaged kernels. Among them, 120 samples were used as training data, with 30 samples for each quality class, and 80 samples were used as testing data, with 20 samples for each class. On the training data with normal resolution, the classification accuracy reached 78.33%. When the resolution was increased to two times, the accuracy improved to 80.83%, while with a threefold increase in resolution, the accuracy slightly decreased to 80%. For the testing data, the classification accuracy for images with normal resolution reached 63.75%, then increased to 65% at two times resolution, and remained stable at 65% for three times resolution.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Ekstraksi Fitur Histogram, Naïve Bayes Classifier, Pengolahan Citra Digital
Subjects:	Q Science Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > Q Science (General) > Q337.5 Pattern recognition systems Q Science > QC Physics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Physics > 45201-(S1) Undergraduate Thesis
Depositing User:	Clauretta Risma Briliyana
Date Deposited:	17 Jul 2025 07:38
Last Modified:	17 Jul 2025 07:38
URI:	http://repository.its.ac.id/id/eprint/119904

Actions (login required)

View Item