EKSTRAKSI CIRI STATISTIK (VARIANCE) DAN KNN UNTUK IDENTIFIKASI KEMATANGAN CITRA BUAH NANAS
Author (Penulis)
AWIK TAMAROHUniversitas Nusantara PGRI Kediri
Author Identity (NPM)
14.1.03.02.0120Abstract
Sampai sekarang ini banyak masyarakat yang belum atau sudah mengetahui jenis-jenis nanas, yang dapat ditemukan di pasar maupun swalayan. Meskipun tidak asing lagi, jenis buah nanas ini memiliki banyak manfaat dan khasiat bagi kesehatan. Namun pernah ditemui pada saat membeli atau menjumpai buah nanas tersebut setelah dimakan rasanya asam, ada yang kulit buahnya sudah matang (berwarna kuning) ternyata masih asam dan sebaliknya kalau kulit buahnya (hijau kekuning–kuningan) rasa buahnya manis. Sebab buah nanas ini memiliki jenis diantaranya cayenne,queen, spanyol atau spanish, abacaxi, dimana masing masing jenis buah ini mempunyai ciri dan tesktur berbeda dari segi daun, bentuk dan rasa.
Permasalahan penelitian ini adalah bagaimana merancang dan membangun aplikasi yang dapat digunakan untuk mengetahui kematangan buah, bagaimana menerapkan metode k-nearest-neighbor untuk mengidentifikasi kematangan buah nanas berdasarkan proses grayscale dan nilai ekstraksi ciri statistik (Variance). Kegunaan ekstraksi ciri statistik (variance) untuk menunjukkan variasi elemen pada histogram dari suatu citra dan knn adalah sebuah metode untuk melakukan klasifikasi tehadap objek berdasarkan data pembelajaran yang jaraknya paling dekat objek tersebut.
Hasil dari penelitian ini adalah dihasilkan sebuah aplikasi yang berjudul ekstraksi ciri statistik (variance) dan knn untuk identifikasi kematangan citra buah nanas. Dengan tahap proses grayscale, ekstraksi ciri statistik (variance) dan pengenalan menggunakan euclidean distance. Data dalam penelitian ini sejumlah 90 dimana 30 untuk data training dan 30 untuk data testing, yang diambil dari handphone dan berformat *bmp dengan background warna putih dan ukuran 100*100 pixel. Dari hasil penelitian ini adalah citra buah nanas mampu diidentifikasi menggunakan ekstraksi ciri statistik (variance) dan euclidean distance dengan prosentase akurasi sebanyak 83,3%. Besarnya tingkat akurasi dipengaruhi oleh banyaknya jumlah data training yang digunakan.
Keyword
aReference
Kadir, Abdul. 2013. Teori dan Aplikiasi Pengolahan Citra. Yogyakarta: Andi.
Nazaruddin. Ahmad. 2013. Pengolahan Citra Digital (Digital Image Processing). (Online). tersedia: http://nazaruddin.blog.unigha.ac.id/wp.-content/ upload/sites/3/PCD-02.pdf, diunduh 10 Februari 2018.
Nursalim,Suprapedi,&Himawan, H. 2014. Klasifikasi bidang kerja lulusan menggunakan algoritma k-nearest-neighbor. Jurnal Teknologi Informasi, 10(1), 31-34., diunduh 5 mei 2018.
Sober. 2009. Jenis-jenis-nanas. (Online) tersedia: http://darsatop.lecture.ub.ac.id/2015/05/jenis-jenis-nanas/, diunduh 10 februari 2018.
Sukmawati. 2011. Pengaruh Tingkat Kematangan Buah Nanas (Ananas Comosus). Terhadap Kualitas Sirup Buah Nanas. Samarinda. Politeknik Pertanian Samarinda, diunduh 10 februari 2018.
Wulanningrum, Resty, dan Lelitavistara, N. 2015. Descrete Cosine Transfrom untuk identifikasi citra Hylocereus Constaricensis. Jurnal SIMETRIS, Vol 6 No 2 November 2015. ISSN: 2252-4983. Universitas Muria Kudus.
