SISTEM PREDIKSI KUALITAS SANTAN KELAPA MENGGUNAKAN NEAREST MEAN CLASSIFIER (NMC)

Masparudin Masparudin, Abdullah Abdullah, Usman Usman

Abstract


Santan kelapa adalah salah satu bahan pokok yang selalu dijadikan bahan untuk segala jenis makanan. Kualitas menjadi hal yang penting dalam pemilihan santan kelapa. Bagaimanapun juga pengidentifikasian kualitas santan secara manual tidak efisien, hal ini terjadi karena sulitnya membedakan mana santan yang murni dan mana santan yang bercampur dengan air. Tujuan penelitian ini adalah membangun sistem deteksi kualitas santan berdasarkan warna santan. Algoritma klasifikasi yang digunakan adalah nearest mean classifier (NMC),  Metode ini menghitung jarak vektor input citra ke masing-masing mean kelas dari citra latih, jarak terdekat merupakan dasar dalam menentukan hasil dari klasifikasi.  Evaluasi menggunakan metode validasi holdout menggunakan total 135 citra dengan perbandingan 2/3 untuk data sampel dan 1/3 digunakan untuk data uji. Evaluasi dilakukan dengan 3 menggunakan 3 jenis kamera smartphone yaitu kamera 1 Xiaomi Mi 8 Lite, kamera 2 Oppo F7, dan kamera 3 Samsung Galaxy J3 Pro. Pada pengujian kamera pertama memiliki tingkat akurasi tertinggi yaitu 86,66% dibandingkan dengan kamera 2 dengan akurasi 60% dan kamera 3 dengan akurasi 46%.


Full Text:

PDF

References


M. Bhat, “Digital Image Processing,” Int. J. Sci. Technol. Res., vol. 3, no. 1, pp. 272–276, 2014.

E. Santucci, “Quantum Minimum Distance Classifier,” Entropy, vol. 19, no. 659, pp. 1–14, 2017.

Claudio Cusano, P. Napoletano, and R. Schettini, “Combining multiple features for color texture classification,” J. Electron. Imaging, vol. 25, no. 6, pp. 1–9, 2016.

C. Khawas and P. Shah, “Application of Firebase in Android App Development-A Study,” Int. J. Comput. Appl., vol. 179, pp. 49–53, 2018.

N. T. Anggraeni, “Sistem Identifikasi Citra Jenis Cabai ( Capsicum Annum L .) Menggunakan Metode Klasifikasi City Block,” J. Sarj. Tek. Inform., vol. 1, no. 2, pp. 409–418, 2013.

S. Nur, D. Sari, A. Fadlil, and P. Soepomo, “Sistem Identifikasi Citra Jahe (Zingiber Officinale) Menggunakan Metode Jarak Czekanowski,” J. Sarj. Tek. Inform., vol. 2, no. 2, pp. 307–316, 2014.

G. Hendarko, A. Hidayatno, and R. R. Isnanto, “Identifikasi Citra Sidikjari Menggunakan Alihragam Wavelet dan Jarak Euclidean,” pp. 1–7, 2010.

A. Bonvard, S. Houcke, R. Gautier, and M. Marazin, “Classification Based on Euclidean Distance Distribution for Blind Identification of Error Correcting Codes in Noncooperative Contexts,” IEEE Trans. Signal Process., vol. 66, pp. 2572–2583, 2018.

A. Budiastrini, A. Rizal, and R. D. Atmaja, “Prediksi Volume Santan Kelapa menggunakan Android dengan Metode Analisis Warna Berbasis Pengolahan Citra Digital,” 2013.

Abdullah and Usman, “Sistem cerdas untuk klasifikasi buah kelapa menggunakan metode backpropagation,” Selodang Mayang, vol. 2, no. 2, pp. 87–94, 2016.

Abdullah, Usman, and M. Efendi, “Sistem Klasifikasi Kualitas Kopra berdasarkan Warna dan tekstur Menggunakan Metode Nearest Classifier (NMC),” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 4, pp. 297–303, 2017.

Z. Alqadi, M. Khrisat, A. Hindi, and M. Dwairi, “Features Analysis of RGB Color Image based on Wavelet Packet Information,” 2020.

S. Kolkur, D. Kalbande, P. Shimpi, C. Bapat, and J. Jatakia, “Human Skin Detection Using RGB, HSV and YCbCr Color Models,” in Advances in Intelligent Systems Research, 2017, vol. 137, pp. 324–332.

P. Galdi and R. Tagliaferri, “Data Mining: Accuracy and Error Measures for Classification and Prediction,” in Reference Module in Life Sciences, no. January, Elsevier, 2018, pp. 1–14.

J. M. Kirimi and C. A. Moturi, “Application of Data Mining Classification in Employee Performance Prediction,” Int. J. Comput. Appl., vol. 146, no. 7, pp. 28–35, 2016.




DOI: https://doi.org/10.32520/stmsi.v9i3.1015

Article Metrics

Abstract view : 79 times
PDF - 24 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.