Amal, Ikhlasul and Sumarno, Bambang (2017) PENGENALAN KOMPONEN KUALITAS BERAS MELALUI PENGUJIAN CITRA BENTUK DENGAN METODE SMALLEST UNIVALUE ASSIMILATING NUCLEUS DAN PENGUJIAN CITRA TEKSTUR MENGGUNAKAN METODE NEUROFUZZY. S1 thesis, UNY.
This is the latest version of this item.
|
Text
Skripsi Matematika Ikhlasul - Bab1.pdf Download (221kB) | Preview |
|
|
Text
Skripsi Matematika Ikhlasul - bab2.pdf Download (1MB) | Preview |
|
|
Text
Skripsi Matematika Ikhlasul - bab3.pdf Download (563kB) | Preview |
|
![[img]](https://eprints.uny.ac.id/style/images/fileicons/text.png) |
Text
Skripsi Matematika Ikhlasul - bab4.pdf Restricted to Repository staff only Download (3MB) |
|
|
Text
Skripsi Matematika Ikhlasul - bab5.pdf Restricted to Repository staff only Download (12kB) |
|
|
Text
Skripsi Matematika Ikhlasul - daftarpustaka.pdf Download (149kB) | Preview |
|
|
Text
Skripsi Matematika Ikhlasul - depan.pdf Restricted to Repository staff only Download (2MB) |
|
|
Text
Skripsi Matematika Ikhlasul - Lampiran.pdf Restricted to Repository staff only Download (13MB) |
Abstract
Pengujian kualitas beras melalui pendekatan recognition pengolahan citra digital bertujuan untuk menghasilkan model pengujian yang mampu mengenali komponen mutu beras yang meliputi butir patah, butir menir, derajat sosoh, dan butir kuning serta mengetahui tingkat keberhasilannya. Pengujian diawali dengan melakukan blob detection pada citra beras berjarak 18 cm dari kamera. Hasil pengambilan citra digunakan sebagai sampel pengujian panjang butir menggunakan metode SUSAN, dan pengujian tekstur butir menggunakan model fuzzy neural netwrok. Model pengujian panjang meliputi transformasi grayscale, pembatasan thresholding sebesar 25 piksel, pendeteksian SUSAN, pengukuran panjang berdasarkan kedudukan antar titik SUSAN, perhitungan rata-rata 20 butir terpanjang, penentuan batas ukuran butir patah, dan menir sebesar 61%, dan 29%. Keberhasilan pengujian panjang butir sebesar 94.22 % dari keseluruhan sampel. Sedangkan model pengujian tekstur butir meliputi ekstraksi citra menggunakan metode GLCM, pembagian data sampel 60% data training dan 40% data testing, pemecahan 15 parameter ke dalam 11 cluster, penentuan sebanyak 5 kelas target output (premium baik, premium buruk, medium baik, medium buruk, and ekonomis) pada 11 basis aturan, dan menghasilkan ANFIS dengan 176 jaringan linear, dan 330 jaringan nonlinear. Keberhasilan pengujian dalam mengenali tekstur bukan premium baik menghasilkan nilai sensitivitas, spesifisitas, dan akurasi secara berurutan sebesar 51,962 %, 40,151 %, dan 45,345 % pada data training serta 48,387 %, 38,376 %, dan 42,640 % pada data testing.
| Item Type: | Thesis (S1) |
|---|---|
| Uncontrolled Keywords: | Beras, Citra, SUSAN, Backpropagation, Neurofuzzy |
| Subjects: | Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Matematika |
| Depositing User: | Jurusan Pendidikan Matematika |
| Date Deposited: | 18 Sep 2017 02:09 |
| Last Modified: | 30 Jan 2019 15:08 |
| URI: | http://eprints.uny.ac.id/id/eprint/52778 |
Available Versions of this Item
-
PENGENALAN KOMPONEN KUALITAS BERAS
MELALUI PENGUJIAN CITRA BENTUK DENGAN METODE SMALLEST UNIVALUE ASSIMILATING NUCLEUS DAN PENGUJIAN CITRA TEKSTUR MENGGUNAKAN METODE NEUROFUZZY. (deposited 02 Aug 2017 04:25)
- PENGENALAN KOMPONEN KUALITAS BERAS MELALUI PENGUJIAN CITRA BENTUK DENGAN METODE SMALLEST UNIVALUE ASSIMILATING NUCLEUS DAN PENGUJIAN CITRA TEKSTUR MENGGUNAKAN METODE NEUROFUZZY. (deposited 18 Sep 2017 02:09) [Currently Displayed]
Actions (login required)
 |
View Item |