IDENTIFIKASI TEKSTUR CITRA JENIS TEPUNG DENGAN METODE LEARNING VECTOR QUANTIZATION

Tepung sering digunakan dalam pembuatan roti, kue, bakso, dan lain-lain. Bahan ini
dipakai karena banyaknya konsumen yang menyukai produk-produk makanan berbahan
tepung, selain harganya murah, makanan dari jenis ini kaya akan karbohidrat yang akan
membantu tubuh menghasilkan energi. Orang yang awam pengetahuan tentang tepung
akan sangat sulit membedakan jenis tepung apa asalnya, apakah dari beras, gandum,
ketela, atau yang lainya. Cara membedakan jenis tepung bisa dilakukan dengan melihat
tekstur tepung, bahan tepung beras cenderung lebih kasar dan tidak terlalu putih,
sedangkan tepung gandum lebih halus dan tidak terlalu putih, akan tetapi pada tepung
yang berasal dari ketela teksturnya lebih halus dan berwarna putih, ini dikarenakan
tepung ini terbuat dari saripati ketela, atau orang sering menyebutnya dengan kanji.
Penelitian ini bertujuan untuk membuat perangkat lunak yang berfungsi untuk
mengidentifikasi jenis tepung menggunakan Learning Vector Quantization dan alihragam
gelombang singkat (Tranformation Wavelet). Jumlah data pelatihan yang digunakan
dalam penelitian ini terdiri dari 3 kelas, dan masing-masing kelas berjumlah 20 data
pelatihan, jadi total data berjumlah 60 data pelatihan. Sedangkan untuk data uji
menggunakan 30 data citra.
Pada proses pelatihan menggunakan parameter LVQ terdapat 6 persentase terbaik
sebesar 98,33%, yaitu pada alfa 0,1 dengan dec alfa 0,1, alfa 0,01 dengan dec alfa 0,1,
alfa 0,1 dengan dec alfa 0,25, alfa 0,01 dengan dec alfa 0,25, alfa 0,1 dengan dec alfa
0,5, dan alfa 0,1 dengan dec alfa 0,75. Bobot akhir yang diperoleh dari parameter tersebut
kemudian digunakan untuk melakukan pengenalan data uji. Pelatihan dengan parameter
tersebut mempunyai persentase yang sama, akan tetapi memiliki iterasi yang berbeda.
Iterasi yang paling sedikit akan digunakan sebagai data pelatihan. Pengenalan yang
dilakukan dengan bobot akhir dari alfa 0,1 dan dec alfa 0,75 memiliki tingkat akurasi
98,33% dengan iterasi 7.
Unjuk kerja terbaik dari 30 data uji menggunakan perangkat lunak ini adalah
dengan alfa 0,1 dan dec alfa 0,75 mencapai 86,66%.