IDENTIFIKASI BIBIT PALA JANTAN DAN BETINA BERDASARKAN FITUR BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

    NULL

IDENTIFIKASI BIBIT PALA JANTAN DAN BETINA BERDASARKAN FITUR BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION


Pengarang

ERI SATRIA RZ - Personal Name;

Dosen Pembimbing



Nomor Pokok Mahasiswa

1609200200009

Fakultas & Prodi

Fakultas / / PDDIKTI :

Subject
-
Kata Kunci
-
Penerbit

Banda Aceh : Universitas Syiah Kuala., 2019

Bahasa

Indonesia

No Classification

-

Literature Searching Service

Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)

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.

Kata kunci –- pala, fitur bentuk, fitur tekstur, Learning vector Quantization, learning rate. epoch

Tidak Tersedia Deskripsi

Citation



    SERVICES DESK