Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Terapan JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI
Meiriyama Meiriyama
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Citra Buah berbasis fitur warna HSV dengan klasifikator SVM Meiriyama Meiriyama
Jurnal Komputer Terapan  Vol. 4 No. 1 (2018): Jurnal Komputer Terapan Mei 2018
Publisher : Politeknik Caltex Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (999.729 KB)

Abstract

Klasifikasi citra dengan objek buah merupakan permasalahan klasik pada area klasifikasi citra yang hingga saat ini, masih menarik minat para peneliti. Dalam proses klasifikasi buah proses feature selection atau pemilihan fitur, merupakan salah satu faktor yang mempengaruhi tingkat keberhasilan dan tingkat akurasi. Pada buah terdapat beberapa jenis fitur yang dapat kita gunakan dalam proses klasifikasi, fitur warna merupakan salah satu fitur yang cukup dominan dan telah banyak digunakan pada penelitian terdahulu. Pada penelitian ini fitur model warna HSV akan digunakan pada proses klasifikasi buah dengan menggunakan klasifikator SVM. Metodologi yang diajukan adalah dengan menggunakan fitur histogram HSV yang telah dinormalisasi dan similarity dari citra training dengan citra target dengan menggunakan metode Bhattacharyya Coefficient. Fitur yang didapatkan akan digunakan pada proses training pada SVM untuk mendapatkan hyperplane yang ideal dengan margin maksimal. Setelah melakukan pengujian dengan klasifikator SVM, diketahui bahwa tingkat akurasi cukup baik, yaitu sebesar 94%, dimana SVM mampu melakukan klasifikas secara akurat terhadap jenis buah yang telah ditraining menggunakan klasifikator SVM.
Klasifikasi Daun Herbal Berdasarkan Fitur Bentuk dan Tekstur Menggunakan KNN Meiriyama Meiriyama; Siska Devella; Sandra Mareza Adelfi
JATISI (Jurnal Teknik Informatika dan Sistem Informasi) Vol 9 No 3 (2022): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v9i3.2974

Abstract

Indonesia has an abundance of biodiversity. From a total of 40,000 types of herbal plants known in the world, there are approximately 30,000 types of herbal plants in Indonesia. Herbal plants are plants that are commonly used by people, especially in Indonesia, which have biodiversity as ingredients for making herbal medicines. Herbal plants are certainly not easy to recognize even though they often grow around the environment. Because there is still a lack of community knowledge about herbal plants, it is not possible to use these herbal plants. This study aims to classify the leaves of herbal plants using the K-Nearest Neighbor (KNN) method with k value is 3 and feature extraction of Histogram of Oriented Gradient (HOG) and Local Binary Patterns (LBP). The research was conducted on 15 types of herbal plants. Accuracy HOG method with KNN is 92.67%, Accuracy LBP with KNN is 88.67% and accuracy combination of HOG and LBP features with KNN method is 92.67%. Based on the three experiment scenarios that have been carried out, it shows that the combination of HOG and LBP features does not affect the accuracy of leaf classification of herbal plants.
Co-Authors Devella, Siska Sandra Mareza Adelfi