Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B)
Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia, hampir setiap hari kita mengkonsumsi buah tersebut. Bahkan kita rela membeli nya dengan harga yang mahal agar kita dapat menikmati nya. Namun kita sering dibohongi oleh penjual tentang buah yang kita beli, buah yang belum matang atau sebaliknya. Hal itu dikarenakan orang awam kebanyakan tidak tau kapankah hari kematangan buah, dan seringkali mereka(orang awam) dibohongi oleh penjual yang menjual buah untuk mereka. Untuk menghindari hal tersebut maka aplikasi ini diciptakan. Dengan aplikasi ini, pembeli (orang awam) dapat mengetahui kematangan buah yang akan dibeli dengan hanya memfoto buah tersebut dan memberi sedikit deskripsi (nama buah). Dengan hal ini kita dapat mengurangi pembodohan atau pembohongan kepada orang awam.
Rumusan Masalah Bagaimana menghindari kebohongan saat membeli buah? Bagaimana menentukan buah yang layak makan? Bagaimana menentukan kematangan buah?
Proses Aplikasi Bekerja Ambil Gambar Load Gambar ke Aplikasi Aplikasi Bekerja Keluar Warna RGB Buah dan Hari Kematangan
Hari Buah dan Sayur Panen Alpukat 6-7 bulan setelah berbunga Pisang 3-3,5 bulan setelah berbunga Tomat 70-90 hari setelah pindah tanam. Jeruk berumur antara 28 36 minggu setelah ditanam Pepaya 3 4 bulan sejak bunga mekar
Teknik Pengolahan Citra yang Digunakan (Image enhancement) Jenis operasi yang bertujuan untuk memperbaiki citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang khusus yang terdapat didalam citra lebih ditonjolkan.
Teknik Learning Vector Quantization Pengolahan warna. Teknik tersebut digunakan untuk mengekstraksi atau mengambil nilai histogram warna (RGB) citra digital buah pisang yang di capture menggunakan kamera smartphone. Hasil pengolahan warna akan menjadi dataset untuk selanjutnya diolah menggunakan metode klasifikasi Learning Vector Quantization agar dapat mengidentifikasi kematangan buah pisang. Pengolahan citra digital dan metode klasifikasi Learning ix Vector Quantization (LVQ) diimplementasikan ke dalam bentuk aplikasi berplatform android, hal ini dimaksudkan agar aplikasi dapat digunakan secara praktis dan cepat
Teknik K-Nearest Neighbor(KNN) k-nearest neighbor (k-nn atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titk tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Euclidean. Pada fase pembelajaran, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi dari data pembelajaran. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk data test (yang klasifikasinya tidak diketahui). Jarak dari vektor yang baru ini terhadap seluruh vektor data pembelajaran dihitung, dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik tersebut. Nilai k yang terbaik untuk algoritma ini tergantung pada data; secara umumnya, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k = 1) disebut algoritma nearest neighbor
Teknik Jaringan Syaraf Tiruan Back-Propagation backpropagation (backpropagation networks) atau bpnn adalah satu tipe pembelajaran terbimbing (supervised learning) yang diterapkan untuk jaringan syaraf tiruan (artificial neural networks) dalam memecahkan suatu masalah. Bpnn banyak diaplikasikan untuk pendeteksian dan pengklasifikasian pola, baik suara, bentuk tubuh, gambar seperti dalam pemrosesan image, fingerprint, face recognition, karakterisasi, juga banyak diterapkan dalam prediction dan approximation.
Data Kematangan Buah Pisang
Data Kematangan Buah Jeruk
Data Kematangan Tomat
Data Kematangan Pepaya
Contoh Tomat yang matang dan tidak R:120 G:103 B:54 Mentah R:191 G:117 B:90 Matang R:218 G:212 B:52 Mentah
Contoh buah Pepaya yang matang dan Tidak
Contoh buah Alpukat yang matang dan tidak!