Claim Missing Document
Check
Articles

Found 12 Documents
Search

Klasifikasi Bumbu Dapur Indonesia Menggunakan Metode K-Nearest Neighbors (K-NN) Suastika Yulia Riska; Lia Farokhah
SMATIKA JURNAL Vol 11 No 01 (2021): SMATIKA Jurnal : STIKI Informatika Jurnal
Publisher : LPPM STIKI MALANG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32664/smatika.v11i01.568

Abstract

Seasoning is one of the most important elements in a dish. Indonesian herbs or spices have a very wide variety of types. Mistakes in choosing spices have a big effect on the taste of the dish. Image processing is a branch of science in the field of technology that can be used to recognize image objeks captured by the camera. This study will classify the types of spices that are almost similar, namely ginger, galangal, turmeric and kencur. The classification method used is K-Nearest Neighbor (K-NN). In this study we tested how to split training data and data testing, namely 66.7%: 33.33%, 75%: 25% and 90%: 10%. The sharing of training data and testing data uses 90%: 10% has the greatest average accuracy compared to other distribution methods. The selection of K = 3 or K = 5 has an average accuracy that is almost the same in all methods of split training data and testing data, namely 64.66%: 65%. At K = 1 it has a fairly high accuracy compared to the previous K, which is 73%.
Klasifikasi Level Kematangan Tomat Berdasarkan Perbedaan Perbaikan Citra Menggunakan Rata-Rata RGB Dan Index Pixel Suastika Yulia Riska
Jurnal Ilmiah Teknologi Informasi Asia Vol 9 No 2 (2015): Volume 9 Nomor 2 (8)
Publisher : LP2M INSTITUT TEKNOLOGI DAN BISNIS ASIA MALANG

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (443.619 KB)

Abstract

Tomat merupakan salah satu buah yang memiliki proses kematangan relative cepat. Sehingga, klasifikasi level kematangan tomat memiliki peran yang penting untuk mengurangi resiko pembusukan tomat. Sebelum proses klasifikasi dilakukan, pada tahap preprocessing dilakukan perbaikan citra untuk meningkatkan kualitas citra. Pada penelitian ini, pengambilan citra tomat dilakukan di luar ruangan yang mengakibatkan adanya area lighting pada permukaan tomat. Perbaikan dilakukan untuk menutup dan mengganti nilai area lighting dengan komponen nilai yang terkandung dalam tomat. Perbaikan dilakukan dengan dua cara, yaitu dengan rata-rata RGB dan pencarian nilai index piksel. Tahap selanjutnya adalah segmentasi untuk memisahkan objek tomat dengan background. Hasil klasifikasi level kematangan tomat menunjukkan akurasi berdasarkan perbaikan citra dengan rata-rata RGB sebesar 86,7 % dan akurasi berdasarkan perbaikan penggantian nilai dengan pencarian index piksel sebesar 76,7 %