Metode Grayscale Co-occurrence Matrix (GLCM) Untuk Klasifikasi Jenis Daun Jambu Air Menggunakan Algoritma Neural Network

Simple item page
dc.creatorSuhendri, Suhendri
dc.creatorRahayu, Putri
dc.date2019-02-19
dc.date.accessioned2022-06-30T01:52:23Z
dc.date.available2022-06-30T01:52:23Z
dc.descriptionThe color and shape of leaves each different plant water rose so that it can be found a certain texture to classify. This study uses an image texture recognition leaves to be classified. Leaves used are three types of guava leaves, Bunton 3 Green Guava, Guava and Guava image Bol. Feature extraction process used a method is Gray Level Co-Occurrence Matrix (GLCM) with Matlab tool. GLCM is used to retrieve the value of the image attribute or value matrix. This study uses a Neural Network algorithm with a tool RapidMiner. One alternative solution to the above problems is by way of classifying types of guava leaf water by looking at the characteristics of the water guava leaves. Leaf is one of the characteristics of the plant that is easily recognizable. The classification process is to produce a good accuracy value against bunton guava leaves 3 green, pink bol, and guava image. The results showed that the level of accuracy in the guava leaf bol is 81.25%, bunton leaves 3 Green 75%, and 80% leaf image and the total value of the overall accuracy of 78.89%. Thus the above results show that the value of the accuracy of the resulting research shows three types of guava leaf water has been classified and deserves to be investigated.en-US
dc.descriptionWarna dan bentuk daun masing-masing tanaman jambu air berbeda sehingga dapat ditemukan suatu tekstur tertentu untuk mengklasifikasikannya. Penelitian ini menggunakan pengenalan tekstur suatu citra daun untuk diklasifikasi.Daun yang digunakan yaitu tiga jenis daun jambu air, Jambu Bunton 3 Hijau, Jambu Bol dan Jambu Citra. Proses ekstraksi fitur yang digunakan sebuah metode adalah Gray Level Co-Occurrence Matrix (GLCM) dengan tool Matlab. GLCM tersebut digunakan untuk mengambil nilai atribut citra atau nilai matrix. Penelitian ini menggunakan Algoritma Neural Network dengan tool RapidMiner. Salah satu alternatif solusi untuk mengatasi masalah diatas yaitu dengan cara pengklasifikasian jenis daun jambu air dengan melihat karakteristik daun jambu air tersebut. Daun merupakan salah satu karakteristik tanaman yang mudah dikenali. Proses pengklasifikasian yaitu untuk menghasilkan suatu nilai akurasi yang baik terhadap daun jambu bunton 3 hijau, jambu bol, dan jambu citra. Hasil penelitian ini menunjukkan bahwa tingkat akurasi pada daun jambu bol adalah 81,25%, daun bunton 3 Hijau 75%, dan daun citra 80% dan total nilai akurasi keseluruhan 78.89%. Dengan demikian hasil diatas menunjukan bahwa nilai akurasi yang dihasilkan menunjukan penelitian tiga jenis daun jambu air telah terklasifikasi dan layak untuk diteliti.id-ID
dc.formatapplication/pdf
dc.identifierhttps://jurnal.stmik-amikbandung.ac.id/joint/article/view/4
dc.identifier10.47292/joint.v1i1.4
dc.identifier.urihttps://repository.stmik-amikbandung.ac.id/handle/0/107
dc.languageind
dc.publisherLPPM STMIK AMIK BANDUNGid-ID
dc.relationhttps://jurnal.stmik-amikbandung.ac.id/joint/article/view/4/4
dc.relation10.47292/joint.v1i1.4
dc.sourceJournal of Information Technology; Vol. 1 No. 1 (2019): JoinT (Journal of Information Technology); 15-22en-US
dc.sourceJournal of Information Technology; Vol 1 No 1 (2019): JoinT (Journal of Information Technology); 15-22id-ID
dc.source2656-7539
dc.source2527-9467
dc.source10.47292/joint.v1i1
dc.subjectKlasifikasiid-ID
dc.subjectWarna Daunid-ID
dc.subjectTekstur Daunid-ID
dc.subjectGray Level Co-occurence (GLCM)id-ID
dc.subjectNeural Networkid-ID
dc.subjectClassificationen-US
dc.subjectLeaf Coloren-US
dc.subjectLeaf Textureen-US
dc.subjectGray Level Co-occurence (GLCM)en-US
dc.subjectNeural Networken-US
dc.titleMetode Grayscale Co-occurrence Matrix (GLCM) Untuk Klasifikasi Jenis Daun Jambu Air Menggunakan Algoritma Neural Networkid-ID
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeArtikel yang telah di-peer-review.id-ID
dspace.entity.type
Files
Collections
JOINT (Journal of Information Technology)