KLASIFIKASI CITRA BIJI KOPI MENGGUNAKAN WAVELET

Sulistiyono, Sulistiyono (2018) KLASIFIKASI CITRA BIJI KOPI MENGGUNAKAN WAVELET. Skripsi thesis, Universitas Mercu Buana Yogyakarta.

[thumbnail of ABSTRAK.pdf] Text
ABSTRAK.pdf
Restricted to Repository staff only

Download (111kB)
[thumbnail of BAB I.pdf]
Preview
Text
BAB I.pdf

Download (95kB) | Preview
[thumbnail of BAB II.pdf] Text
BAB II.pdf
Restricted to Repository staff only

Download (628kB)
[thumbnail of BAB III.pdf] Text
BAB III.pdf
Restricted to Repository staff only

Download (718kB)
[thumbnail of BAB IV.pdf] Text
BAB IV.pdf
Restricted to Repository staff only

Download (780kB)
[thumbnail of BAB V.pdf]
Preview
Text
BAB V.pdf

Download (88kB) | Preview
[thumbnail of COVER DAN LAMPIRAN.pdf] Text
COVER DAN LAMPIRAN.pdf
Restricted to Repository staff only

Download (3MB)
[thumbnail of SKRIPSI_SULISTIYONO_09111062.pdf] Text
SKRIPSI_SULISTIYONO_09111062.pdf
Restricted to Repository staff only

Download (7MB)

Abstract

Kopi merupakan salah satu hasil komoditi perkebunan yang memiliki nilai ekonomis yang cukup tinggi di antara tanaman perkebunan lainnya dan berperan penting sebagai sumber devisa negara. Kopi tidak hanya berperan penting sebagai sumber devisa melainkan juga merupakan sumber penghasilan bagi tidak kurang dari satu setengah juta jiwa petani kopi di Indonesia Rahardjo (2012).
Untuk dapat mengenali jenis kopi sudah sesuai, perlu diketahui ciri dari jenis kopi yang ingin diketahui. Seperti warnanya, teksturnya, aromanya, dan juga kualitas rasanya. Begitu pula dengan warna kopi, karena penilaian secara warna cukup bersifat subjektif.
Aplikasi ini dibuat untuk mengklasifikasikan jenis kopi menggunakan pemisah ciri wavelet sampai level 3 dengan jumlah ciri 252. Banyaknya data sampel yang digunakan dalam penelitian ini adalah 60 citra kopi (dari 3 jenis kopi yang berbeda), sedangkan untuk data uji sebanyak 60 citra (dari 3 jenis kopi yang berbeda).
Algoritma yang digunakan adalah Neural Network Learning Vector Quantization untuk pembelajaran (learning) dan pencocokan (recognize) menghasilkan nilai komulatif keberhasilan hingga 83,33% dengan parameter alfa 0,1; decalfa 0,1; minalfa 0,0000001; maxiterasi 10.000 dan jumlah iterasi sampai dengan 132.

Kata kunci : Kopi, Neural Network, Learning Vector Quantization (LVQ), Wavelet, Jaringan Syaraf Tiruan (JST)

Item Type: Thesis (Skripsi)
Additional Information/Lokasi Hardcopy: Supatman, S.T., M.T.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
T Technology > T Technology (General)
Divisions: Fakultas Teknologi Informasi > Program Studi Teknik Informatika
Depositing User: Teknik Informatika UMBY
Date Deposited: 12 Apr 2018 08:00
Last Modified: 19 Aug 2022 04:11
URI: http://eprints.mercubuana-yogya.ac.id/id/eprint/2621

Actions (login required)

View Item
View Item