MUHAMMAD LUTHFI PADANTYA (2024) DETEKSI KEMATANGAN BUAH MANGGA BERDASARKAN FITUR BENTUK DAN TEKSTUR CITRA KULIT MENGGUNAKAN METODE DECISION TREE (DT) DAN KNN ( K-NEAREST NEIGHBOR). S1 thesis, Universitas Muhammadiyah Yogyakarta.

	Text (Halaman Judul) Halaman Judul.pdf Download (457kB)
	Text (Lembar Pengesahan) Lembar Pengesahan.pdf Restricted to Registered users only Download (540kB)
	Text (Abstrak) Abstrak.pdf Restricted to Registered users only Download (12kB)
	Text (Bab I) Bab I.pdf Download (23kB)
	Text (Bab II) Bab II.pdf Restricted to Registered users only Download (538kB)
	Text (Bab III) Bab III.pdf Restricted to Registered users only Download (1MB)
	Text (Bab IV) Bab IV.pdf Restricted to Registered users only Download (6MB)
	Text (Bab V) Bab V.pdf Restricted to Registered users only Download (14kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf Restricted to Registered users only Download (15kB)
	Text (Lampiran) Lampiran.pdf Restricted to Registered users only Download (85kB)
	Text (Naskah Publikasi) Naskah Publikasi.pdf Restricted to Registered users only Download (455kB)
	Text (Full Text) Full Text.pdf Restricted to Repository staff only Download (9MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi yang mampu menentukan tingkat kematangan buah mangga. Saat ini, teknik penentuan tingkat kematangan buah mangga umumnya dilakukan secara manual oleh petani. Namun, metode ini memiliki kelemahan, yaitu subjektif, memakan waktu, dan tidak selalu akurat. Oleh karena itu, diperlukan sistem yang lebih efisien dan akurat. Sistem yang dikembangkan dalam penelitian ini memanfaatkan ekstraksi fitur dari citra menggunakan metode Hu Moment dan Zernike Moment, serta menerapkan algoritma klasifikasi seperti Decision Tree dan K-Nearest Neighbors dengan berbagai model, yaitu FineDT, MediumDT, CoarseDT, FineKNN, MediumKNN, dan Weighted KNN. Metode Hu Moment dan Zernike Moment digunakan untuk mengekstrak fitur-fitur penting dari citra buah mangga. Selanjutnya, penelitian ini mengklasifikasikan citra mangga menjadi tiga kategori: matang, belum matang, dan setengah matang, dengan menggunakan tiga model terbaik dari masing-masing metode klasifikasi. Hasil penelitian menunjukkan bahwa metode yang paling efektif adalah penggunaan Hu Moment pada model Fine KNN yang menghasilkan akurasi tertinggi sebesar 97,7% pada data latih dan 96,97% pada data uji.

Dosen Pembimbing:	Anna Nur Nazilah Chamim, ST., M.Eng. | NIDN0006087601
Item Type:	Thesis (S1)
Uncontrolled Keywords:	Hu Moment , Zernike Moment, Decision Tree, K Nearest Neighboor
Divisions:	Fakultas Teknik > S1 Teknik Elektro
Depositing User:	Aidilla Qurotianti
Date Deposited:	21 Oct 2024 03:57
Last Modified:	21 Oct 2024 03:57
URI:	https://etd.umy.ac.id/id/eprint/48326

Actions (login required)

View Item