Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 1

Pengembangan Modul Klasifikasi Apel Envy dan Pasific Rose Menggunakan Jaringan Saraf Tiruan (JST)

Jurnal Nasional Teknik Elektro · Vol. 5 No. 2 (2016) · hlm. 237–237

DOI
10.25077/jnte.v5n2.283.2016
ISSN
2302-2949, 2407-7267
Terbit
2016-06-16
Penerbit
Andalas University
Bahasa
id
Lisensi
creativecommons.org/licenses/by-nc-sa/4.0/

Abstrak

The variety of apple has similarity with each other, therefore it makes human visual perception difficult to differentiate some of them. The conventional way is often carried out human vision subjective perception, this way makes classification result becomes less. Apple classification using information technology is one step to classify apple more accurate and to help human in apple plantations processing. The goal of this research is developing classification stage on envy and pasific rose apple. The major goal is to classify envy and pacific rose apple using Artificial Neural Network (ANN). Doing feature extraction of training and testing apple images aims that images can be recognized as envy or pasific rose. The way of getting feature extraction is using statistical approach of RGB color histogram from an image. The feature extraction values of RGB color histogram of apple images are intensity, standard deviation, skewness, energy, entropy, and smoothness. Then, those values as an input of classification step using ANN feed-forward backpropagation. The results of this research are consists of three scenario of experiment, first skenario is using 50 training data 10 testing data, it has accuracy value 80%. Second scenario is using 70 training data 10 testing data, it also has accuracy value 80%. Third scenario is using 90 training data 10 testing data, it has accuracy value 90%. This experiment result shows that the highest accuracy value is in third scenario.Keywords: Apple, Feature extraction, Artificial neural network, BackpropagationAbstrak — Jenis apel yang beragam dan beberapa diantaranya memiliki kemiripan membuat persepsi pandang manusia sulit membedakan jenis-jenis apel tertentu. Cara konvensional yang sering dilakukan adalah penilaian subyektif dari persepsi pandang manusia. Penilaian subyektif tersebut bisa menghasilkan pengelompokan jenis apel yang kurang tepat. Teknik pengenalan jenis apel berbasis teknologi informasi menjadi salah satu langkah untuk membantu pengelompokan jenis apel supaya lebih tepat dan akurat serta lebih meringankan tugas manusia pada bidang pengolahan hasil perkebunan apel. Penelitian ini bertujuan untuk mengembangkan tahapan klasifikasi apel envy dan pasific rose. Tujuan utamanya adalah mengklasifikasi buah apel jenis envy dan pasific rose dengan menggunakan Jaringan Saraf Tiruan (JST) atau sering disebut dengan Artificial Neural Network (ANN). Citra apel terlebih dahulu dilakukan ekstraksi fitur yang unik dari citra latih dan citra uji, agar citra tersebut dapat dikenali. Salah satu cara ekstraksi fitur adalah dengan menggunakan pendekatan statistik dari histogram warna RGB sebuah citra. Nilai-nilai yang bisa diambil dari histogram warna RGB citra apel adalah nilai rerata intensitas, standar deviasi, skewness, energi, entropi, dan smoothnes. Kemudian nilai-nilai tersebut sebagai nilai masukan untuk tahapan klasifikasi menggunakan JST feed-forward backpropagation. Hasil pengujian dibagi menjadi tiga skenario, pertama dengan data latih 50 data uji 10 memiliki nilai akurasi sebesar 80%. Skenario pengujian kedua dengan data latih 70 data uji 10 memiliki nilai akurasi sebesar 80%. Skenario pengujian ketiga dengan data latih 90 data uji 10 memiliki akurasi sebesar 90%. Hasil pengujian tersebut menunjukan bahwa nilai akurasi tertinggi terletak pada pengujian ketiga.Kata Kunci: Apel, Ekstraksi fitur, Jaringan saraf tiruan, Backpropagation

Kata kunci

Jaringan kolaborasi para penulis

18 penulis · 34 tautan kepenulisan bersama · 11 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Politeknik Negeri Malang
  • Universitas Dian Nuswantoro
  • Universitas Stikubank
  • Institut Teknologi Telkom Surabaya
  • Universitas Gadjah Mada
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Edy WinarnoUniversitas Stikubank3
Pramudi ArsiwiUniversitas Dian Nuswantoro1
Nura Ursula GusedyPoliteknik Negeri Malang1
Ahmadi Yuli AnantaPoliteknik Negeri Malang1
Yani Parti AstutiUniversitas Dian Nuswantoro1
Egia Rosi SubhiyaktoUniversitas Dian Nuswantoro1
Sri T. HartatiUniversitas Gadjah Mada1
Imam Husni Al AminUniversitas Stikubank1
Cahya RahmadPoliteknik Negeri Malang1
Arwin Datumaya Wahyudi SumariPoliteknik Negeri Malang1
Annisa Puspa KiranaPoliteknik Negeri Malang1
Moch Zawaruddin AbdullahPoliteknik Negeri Malang1
Khodijah AmirohInstitut Teknologi Telkom Surabaya1
Bernadus Anggo Seno AjiInstitut Teknologi Telkom Surabaya1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OpenAlex API (jurnal SINTA, ADR 0048) https://openalex.org/S4210175326, pertama di-harvest 20 Nov 2026, terakhir terlihat 20 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title xml:lang="id">Pengembangan Modul Klasifikasi Apel Envy dan Pasific Rose Menggunakan Jaringan Saraf Tiruan (JST)</dc:title><dc:creator>Farah Zakiyah Rahmanti</dc:creator><dc:creator>Prajanto Wahyu Adi</dc:creator><dc:creator>Ion Ataka</dc:creator><dc:creator>Septian Enggar Sukmana</dc:creator><dc:subject>artificial neural networks</dc:subject><dc:subject>backpropagation</dc:subject><dc:subject>RGB color histogram</dc:subject><dc:subject>feature extraction</dc:subject><dc:subject>image-based fruit classification</dc:subject><dc:subject>training data size</dc:subject><dc:subject>classification accuracy</dc:subject><dc:description xml:lang="id">The variety of apple has similarity with each other, therefore it makes human visual perception difficult to differentiate some of them. The conventional way is often carried out human vision subjective perception, this way makes classification result becomes less. Apple classification using information technology is one step to classify apple more accurate and to help human in apple plantations processing. The goal of this research is developing classification stage on envy and pasific rose apple. The major goal is to classify envy and pacific rose apple using Artificial Neural Network (ANN). Doing feature extraction of training and testing apple images aims that images can be recognized as envy or pasific rose. The way of getting feature extraction is using statistical approach of RGB color histogram from an image. The feature extraction values of RGB color histogram of apple images are intensity, standard deviation, skewness, energy, entropy, and smoothness. Then, those values as an input of classification step using ANN feed-forward backpropagation. The results of this research are consists of three scenario of experiment, first skenario is using 50 training data 10 testing data, it has accuracy value 80%. Second scenario is using 70 training data 10 testing data, it also has accuracy value 80%. Third scenario is using 90 training data 10 testing data, it has accuracy value 90%. This experiment result shows that the highest accuracy value is in third scenario.Keywords : Apple, Feature extraction, Artificial neural network, BackpropagationAbstrak — Jenis apel yang beragam dan beberapa diantaranya memiliki kemiripan membuat persepsi pandang manusia sulit membedakan jenis-jenis apel tertentu. Cara konvensional yang sering dilakukan adalah penilaian subyektif dari persepsi pandang manusia. Penilaian subyektif tersebut bisa menghasilkan pengelompokan jenis apel yang kurang tepat. Teknik pengenalan jenis apel berbasis teknologi informasi menjadi salah satu langkah untuk membantu pengelompokan jenis apel supaya lebih tepat dan akurat serta lebih meringankan tugas manusia pada bidang pengolahan hasil perkebunan apel. Penelitian ini bertujuan untuk mengembangkan tahapan klasifikasi apel envy dan pasific rose. Tujuan utamanya adalah mengklasifikasi buah apel jenis envy dan pasific rose dengan menggunakan Jaringan Saraf Tiruan (JST) atau sering disebut dengan Artificial Neural Network (ANN). Citra apel terlebih dahulu dilakukan ekstraksi fitur yang unik dari citra latih dan citra uji, agar citra tersebut dapat dikenali. Salah satu cara ekstraksi fitur adalah dengan menggunakan pendekatan statistik dari histogram warna RGB sebuah citra. Nilai-nilai yang bisa diambil dari histogram warna RGB citra apel adalah nilai rerata intensitas, standar deviasi, skewness, energi, entropi, dan smoothnes. Kemudian nilai-nilai tersebut sebagai nilai masukan untuk tahapan klasifikasi menggunakan JST feed-forward backpropagation. Hasil pengujian dibagi menjadi tiga skenario, pertama dengan data latih 50 data uji 10 memiliki nilai akurasi sebesar 80%. Skenario pengujian kedua dengan data latih 70 data uji 10 memiliki nilai akurasi sebesar 80%. Skenario pengujian ketiga dengan data latih 90 data uji 10 memiliki akurasi sebesar 90%. Hasil pengujian tersebut menunjukan bahwa nilai akurasi tertinggi terletak pada pengujian ketiga.Kata Kunci : Apel, Ekstraksi fitur, Jaringan saraf tiruan, Backpropagation</dc:description><dc:publisher>Andalas University</dc:publisher><dc:date>2016-06-16</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.25077/jnte.v5n2.283.2016</dc:identifier><dc:identifier>10.25077/jnte.v5n2.283.2016</dc:identifier><dc:source>Jurnal Nasional Teknik Elektro; Vol 5 No 2 (2016); 237-237</dc:source><dc:source>2302-2949</dc:source><dc:source>2407-7267</dc:source><dc:language>id</dc:language><dc:relation>http://jnte.ft.unand.ac.id/index.php/jnte/article/download/283/246</dc:relation><dc:rights>https://creativecommons.org/licenses/by-nc-sa/4.0/</dc:rights></oai_dc:dc>