<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="62610">
 <titleInfo>
  <title>IDENTIFIKASI BIBIT PALA JANTAN DAN BETINA BERDASARKAN FITUR BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>ERI SATRIA RZ</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Universitas Syiah Kuala</publisher>
   <dateIssued>2019</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Null</form>
  <extent></extent>
 </physicalDescription>
 <note>Salah satu tahap dalam proses penanaman bibit pala di lahan pertanian adalah identifikasi jenis kelamin bibit pala jantan dan betina. Proses identifikasi bibit pala tersebut masih menggunakan cara manual, sedangkan cara tersebut sering kali tidak akurat dan tidak efisien. Oleh karena itu, pada penelitian ini membahas metode dan hasil identifikasi daun bibit pala jantan dan betina berdasarkan gabungan ekstraksi fitur bentuk dan tekstur daun menggunakan learning vector quantization (LVQ). Metode ekstraksi fitur bentuk yang digunakan terdiri dari dari slimness, roundness, narrow factor, rasio perimeter dan diameter, rasio perimeter dengan panjang lebar sedangkan untuk tekstur adalah contrast, correlation, energy, dan homogeneity. Hasil dari gabungan ektraksi fitur bentuk dan tekstur  diterapkan sebagai vector input pada saat klasifikasi menggunakan metode LVQ. Sedangkan LVQ bertujuan untuk klasifikasi berdasarkan hasil ekstraksi, dengan cara inisialisasi parameter LVQ yaitu  learning rate dan epoch. Perubahan nilai learning rate pada LVQ sangat berpengaruh untuk mendapatkan persentase tingkat kebenaran data, nilai learning rate harus bernilai antara 0 sampai 1. Tingkat keakuratan prediksi LVQ yang didapatkan dalam penelitian ini sebesar 92.30%, dengan nilai learning rate  terbaik 0.001 sampai 0.09 dan epoch 50.&#13;
&#13;
Kata kunci –- pala, fitur bentuk, fitur tekstur, Learning vector Quantization, learning rate. epoch&#13;
&#13;
</note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>62610</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2019-09-09 11:35:44</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2019-09-09 11:54:28</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>