PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN

Ukuran: px

Mulai penontonan dengan halaman:

Download "PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN"

Ratna Tan
7 tahun lalu
Tontonan:

1 PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA JIMBARAN 2014

2 PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI [SKRIPSI] Sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana Tulisan ini merupakan hasil penelitian yang belum pernah dipublikasikan KOMANG SONIYA GUNAWAN NIM Pembimbing I Pembimbing II Agus Muliantara, S.Kom, M.Kom I Made Widiartha, S.Si, M.Kom NIP NIP

3 KATA PENGANTAR Penelitian dengan judul Pengenalan Kualitas Buah Jeruk Kintamani Menggunakan Metode Support Vector Machine ini disusun dalam rangkaian kegiatan pelaksanaan Tugas Akhir di Jurusan Ilmu Komputer FMIPA UNUD. Penelitian ini dilaksanakan pada periode Juni 2014 hingga September 2014 di Universitas Udayana. Sehubungan dengan telah terselesaikannya penelitian ini, maka diucapkan terima kasih dan penghargaan kepada berbagai pihak yang telah membantu penyusun, antara lain : 1. Bapak Agus Muliantara, S.Kom, M.Kom sebagai pembimbing I yang telah membantu dalam penyelesaian penelitian ini; 2. Bapak I Made Widiartha, S.Si, M.Kom sebagai pembimbing II yang telah bersedia mengkritisi, memeriksa, dan menyempurnakan penelitian ini; 3. Bapak Drs. I Wayan Santiyasa, M.Si selaku Ketua Jurusan Ilmu Komputer Universitas Udayana yang telah banyak memberikan masukan dan motivasi sehingga memperlancar dalam proses penerjaan penelitian ini; 4. Bapak-bapak dan ibu-ibu dosen di Jurusan Ilmu Komputer yang telah meluangkan waktu turut memberikan saran dan masukan dalam penyusunan tugas akhir ini; 5. Bapak Prof. Ir. I Gede Putu Wirawan, M.Sc., Ph.D yang telah meluangkan waktu untuk memberikan informasi mengenai kualitas buah Jeruk Kintamani. Disadari pula bahwa sudah tentu hasil-hasil dari penelitian ini masih mengandung kelemahan dan kekurangan. Memperhatikan hal ini, maka masukan dan saran-saran penyempurnaan sangat diharapkan. Bukit Jimbaran, September 2014 Penulis iii

4 DAFTAR ISI KATA PENGANTAR... iii DAFTAR ISI... iv DAFTAR TABEL... vii DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... x BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian BAB II TINJAUAN PUSTAKA Tinjauan Studi Pre-Processing Dataset Fitur Warna Menggunakan Histogram Fitur Tekstur Fitur Bentuk Support Vector Machine (SVM) Metode Kernel SVM iv

5 v BAB III ANALISIS DAN PERANCANGAN SISTEM Kebutuhan Fungsional Melakukan Pre-Processing Melakukan Ekstraksi Fitur Melakukan Klasifikasi Rancangan Data Rancangan Antar Muka Sistem Pengumpulan Data Pengolahan Data Awal Filtering Segmentasi Ekstraksi Fitur Fitur Bentuk Fitur Tekstur Fitur Warna Desain Penelitian Metode yang Digunakan SVM Linier Pelatihan Pengujian SVM Non-Linier Pelatihan Pengujian... 48

6 vi 3.8 Pengujian dan Evaluasi BAB IV HASIL DAN PEMBAHASAN Implementasi Filtering Pada Dataset Implementasi Segmentasi Pada Dataset Implementasi Ekstraksi Fitur Tekstur Implementasi Fitur Warna Implementasi Fitur Bentuk Implementasi Penyimpanan Fitur dan Normalisasi Data Implementasi Training SVM Linier Implementasi Testing SVM Linier Implementasi Training SVM Non-Lininer Implementasi Testing SVM Non-Linier Tampilan Antarmuka Pengenalan Kualitas Buah Jeruk Kintamani Hasil dan Pengujian Sistem Pengujian Terhadap SVM Linier Pengujian Terhadap Parameter Sigma Kuadrat Pada SVM Non-Linier Pembahasan BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA... 72

7 DAFTAR TABEL Tabel 3.1 Confusion Matrix Tabel 4.1 Sintak Fungsi Median Filtering Tabel 4.2 Sintak Fungsi Segmentasi Tabel 4.3 Sintak Fungsi Matriks Kookurensi Arah 0 Derajat Tabel 4.4 Sintak Fungsi Matriks Kookurensi Arah 45 Derajat Tabel 4.5 Sintak Fungsi Matriks Kookurensi Arah 90 Derajat Tabel 4.6 Sintak Fungsi Matriks Kookurensi Arah 135 Derajat Tabel 4.7 Sintak Fungsi Fitur Tekstur dan Fitur Warna Tabel 4.8 Sintak Fungsi Fitur Bentuk Tabel 4.9 Sintak Untuk Menyimpan Fitur Data Training Tabel 4.10 Sintak Untuk Menyimpan Fitur Data Testing Tabel 4.11 Sintak Untuk Normalisasi Fitur Data Training Tabel 4.12 Sintak Untuk Normalisasi Fitur Data Testing Tabel 4.13 Sintak Fungsi Quadratic Programming Tabel 4.14 Sintak Untuk Menghitung Nilai w dan bias Tabel 4.15 Sintak Testing SVM Linier Tabel 4.16 Sintak Proses Kernelisasi Fitur Data Training Tabel 4.17 Sintak Proses Kernelisasi Pada Data Testing Tabel 4.18 Confusion Matrix SVM Linier Tabel 4.19 Pengujian Terhadap Parameter Sigma Kuadrat Tabel 4.20 Confusion Matrix SVM Non-Linier vii

8 DAFTAR GAMBAR Gambar 2.1 Ruang Warna HSV Gambar 2.2 Citra 4 x Gambar 2.3 Histogram Warna dari Citra Gambar Gambar 2.4 Arah Kode Rantai Gambar 2.5 Objek dengan Kode Rantai Gambar 2.6 Alternatif Bidang Pemisah (kiri) dan Bidang Pemisah terbaik dengan Margin (m) Terbesar (kanan) Gambar 2.7 Contoh Feature Mapping Gambar 2.8 Representasi Data Kernel Gambar 3.1 Rancangan Array Fitur Data Training Gambar 3.2 Rancangan Array Fitur Data Training dengan Kernel Gambar 3.3 Rancangan Array Fitur Data Testing Gambar 3.4 Rancangan Array Fitur Data Testing dengan Kernel Gambar 3.5 Rancangan Tampilan Awal Sistem Gambar 3.6 Rancangan Tampilan Training dan Testing SVM Linier Gambar 3.7 Rancangan Tampilan Menu Pada Sistem Gambar 3.8 Rancangan Tampilan SVM Non-Linier dengan Pemilihan pada Data Testing Gambar 3.9 Rancangan Tampilan SVM Non-Linier dengan Semua Data Testing Gambar 3.10 Rancangan Tampilan SVM Non-Linier Singkat dengan Semua Data Testing viii

9 ix Gambar 3.11 Rancangan Tampilan SVM Non-Linier Singkat dengan Pemilihan pada Data Testing Gambar 3.12 Flowchart Pengolahan Data Awal Gambar 3.13 Flowchart Proses Pengurangan Noise Menggunakan Median Filtering Gambar 3.14 Flowchart Proses Segmentasi Menggunakan Threshold Gambar 3.15 Flowchart Ekstraksi Fitur Gambar 3.16 Flowchart Ekstraksi Fitur Bentuk Gambar 3.17 Flowchart Ekstraksi Fitur Tekstur Gambar 3.18 Flowchart Ekstraksi Fitur Warna Gambar 3.19 Flowchart Pengenalan Kualitas Buah Jeruk Kintamani Menggunakan SVM Gambar 3.20 Flowchart Training SVM Linier Gambar 3.21 Flowchart Testing SVM Linier Gambar 3.22 Flowchart Training SVM Non-Linier Gambar 3.23 Flowchart Testing SVM Non-Linier Gambar 4.1 (a) Citra Asli, (b) Citra Hasil Filtering Gambar 4.2 Citra Hasil Segmentasi Gambar 4.3 Tampilan Awal Sistem Gambar 4.4 Tampilan Proses Training & Testing SVM Linier Gambar 4.5 Tampilan Submenu Fast Classification Choose File Gambar 4.6 Tampilan Submenu Fast Classification All Data Gambar 4.7 Tampilan Submenu Testing With All Data Gambar 4.8 Tampilan Submenu Testing With Choose File... 66

10 DAFTAR LAMPIRAN Lampiran 1. Data Fitur Pada SVM Linier dan SVM Non-Linier 2. Confusion Matrix Pada SVM Non-Linier x

dokumen-dokumen yang mirip

PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ)

PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN DEVIYANTI SEPTIARI NIM. 1108605004