PROCEEDING
SEMINAR NASIONAL
TEKNOLOGI INFORMASI DAN APLIKASINYA 2014
“Membangun Jiwa Technopreneurship yang Kreatif dan Inovatif di Era Big Data”
Bali, 17 OKTOBER 2014
Diselenggarakan Oleh:
Program Studi Teknik Informatika Jurusan Ilmu Komputer
Universitas Udayana
Bali
KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya penyusunan Proceeding SNATIA 2014 ini. Buku ini memuat naskah hasil penelitian dari berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah dipresentasikan dalam acara Seminar SNATIA tahun 2014 pada tanggal 17 Oktober 2014 di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.
Kegiatan SNATIA 2014 merupakan agenda tahunan Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2014 mengambil tema “Membangun Jiwa Technopreneurship yang Kreatif dan Inovatif di Era Big Data”, dengan pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan Pemerhati dibidang Teknologi Informasi, Technopreneurship, dan Big Data.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e- mail [email protected].
Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam penyelenggaraan seminar, dan penyusunan proceeding SNATIA 2014, panitia mengucapkan terima kasih.
Denpasar, 17 Oktober 2014
Panitia SNATIA 2014
DAFTAR ISI
Kata Pengantar Daftar Isi
Simulasi Pengaturan Lampu Lalu Lintas Pada Persimpangan Menggunakan Logika Fuzzy Dengan Metode Tsukamoto
Ketut Bayu Yogha B. ... 1 Aplikasi Pencarian Lokasi Dealer Dan Servis Resmi Sepeda Motor Wilayah
Bandarlampung Berbasis Android Dengan Algoritma A*
Agus Waisnawa ... 11 Rancangan Sistem Akuntansi Pemerintah Daerah Berbasis Akrual
Kholid Haryono ... 16 Aplikasi Panduan Mahasiswa Kalbis Institute Berbasis Mobile Multimedia
Nuraini Purwandari ... 24 Perancangan Dan Implementasi Data Warehouse Spasial Untuk Mendukung
Layanan Kebencanaan: Studi Kasus Badan Informasi Geospasial (Big)
Irena Susanti ... ... 34 Elisitasi Kebutuhan Prototipe Pengelolaan Unpredictable Data Pada
Basisdata Spatio Temporal Untuk Disaster Information Management System (DIMAS)
Yani Widyani ... ... 44 Perancangan Sistem Proteksi File Video Dengan Algoritma AES (Advance
Encryption Standard)
I Gusti Agung Gede Arya Kadyanan ... 51 Studi Komparasi Penggunaan Framework Tata Kelola Teknologi Informasi
Lembaga Sandi Negara
Ninik Ratna Dewi ... 60 Pola Adopsi Situs Jejaring Sosial
Almed Hamzah ... 67 Sistem Penilaian Ujian Essay Otomatis Menggunakan Metode Jaro Winkler
Rahimi Fitri ... ... 72 Implementasi Algoritma Steganografi Enhanched Least Significant Bit Untuk
Menyembunyikan Pesan Pada Gambar
I Wayan Adi Wiratama ... 79
Analisis Pengaruh Penggunaan Sistem Informasi Tour Travel Terhadap Peningkatan Kunjungan Wisatawan Pada Bali Precious Tours
I Gede Adrian Agustana ... 85 Implementasi Sistem Single Sign On Pada Aplikasi Berbasis Web
Menggunakan Central Authentication Service
I Putu Agus Eka Darma Udayana ... 94 Sistem Prakiraan Curah Hujan Harian Dengan Fuzzy Inference System
I Made Agus Oka Gunawan ... 103 Sistem Pendeteksi Kantuk Untuk Pengemudi Dengan Metode Haarcascade
Classifier
I Gede Arya Maharta ... 110 Implementasi Sistem Pencarian Pada Sinopsis Film Menggunakan
Metodepembobotan Term Frequency Inverse Document Frequency (TF-IDF)
Ni Made Ayu Handayani ... 116 Implementasi Sistem Manajemen Admin Pada Ldap Server Menggunakan
PHP LDAP
I Putu Gede Darpana Putra W ... 122 Klasifikasi Wine Berdasarkan Kandungan Alkohol Dan Asam Malat
Menggunakan Algoritma K-Nearest Neighbor (KNN)
Kadek Dwi Praseptia Putra ... 133 Rancang Bangun Sistem Informasi Promosi Online Menggunakan
Framework YII
Faizal A Saputra . ... 138 Implementasi File Sharing Dengan Protokol Server Message Block (SMB)
Pada Router Mikrotik Di Kantor Desa Lodtunduh
Putu Ferry Audy Praditha ... 142 Pengenalan Huruf Isyarat Menggunakan Modified K-Nearest Neighbor
Fuad Adi Pradana ... 146 Management Bandwidth Menggunakan Simple Queue Pada Router Mikrotik
Made Hadi Yudana ... 152 Implementasi Pengembangan Firewall Filter Pada Protokol Ssh Untuk
Mencegah Serangan Brute Force Pada Proses Otentikasi Router Mikrotik
Hamzah Eka Novia Prakasa ... 157
Perancangan Dan Implementasi Website Pada Pt. Darma Telekomunikasi Dengan Framework Codeigniter
Gde Kharisma Primawardhana Agusta ... 164 Implementasi Metode Redness Dan Circle Detection Pada Pengenalan Buah
Apel Pada Gambar Pohon Apel
Nyoman Krisnaadi Suastika ... 171 Analisis Protokol Tcp Reno Dan Tcp Vegas Pada Traffik CBR
Natanael Kristiawan ... 175 Analisis Dan Implementasi Pengembangan Web Menggunakan Content
Management System Wordpress (Studi Kasus: Web Bali-India Foundation)
Putu Pande Wahyu Diatmika ... 180 Perancangan Dan Implementasi Sistem Pembelajaran Dengan Metode Drill
Soal Pada Mata Pelajaran Matematika
Ida Bagus Adisimakrisna Peling ... 186 Implementasi Identifikasi Letak Iris Mata Dengan Transformasi Hough Dan
Gabor Filter
I Gede Wahyu Surya Dharma ... 194 Penerapan Metode Particle Swarm Optimization Pada Optimasi Distribusi
Lpg Dari Agen Ke Toko
I Made Hary Kartika Putra ... 200 Implementasi Replikasi Basis Data Terdistribusi Pada Sistem Informasi
Invoice Di CV. Avatar Solution
I Wayan Parwita ... 205 Implementasi Algoritma Rabin-Karp Untuk Sistem Pendeteksi Kesamaan
Dokumen Proposal Tugas Akhir
I Gede Wira Kusuma Jaya ... 212 Integrasi Openmeetings Dengan Moodle Sebagai Sarana Pembelajaran
Jarak Jauh
I G A Bagus Prema Pradana ... 220 Implementasi Hit & Miss Cache Proxy Untuk Penggunaan Bandwidth Yang
Efektif
Rae Arya Pangestu Here Wollo ... 227 Klasifikasi Buah Menggunakan Metode Support Vector Machine (SVM)
Dengan Kernel Gaussian Radial Basis Function (RBF)
Komang Soniya Gunawan ... 232 Steganografi Pesan Text Terenkripsi Caesar Cipher Pada File Audio Mp3
Dengan Metode Bit Parity Coding
Ni Nyoman Sri Suariani ... 237
Implementasi Traffik Filtering Dan Transparent Proxy Dalam Membangun Web Proxy Pada Mikrotik Router Di Kantor Desa Baturiti
I Kadek Sumara ... 246 Analisis Performa Protocol TCP SACK Dan SCTP Pada Aplikasi FTP Dan
CBR
Ida Bagus Tantra Pradhana ... 251 Implementasi Algoritma Genetika Dalam Proses Pengendalian Lengan Robot
Luh Trisna Aryantini ... 257 Simulasi Antrian Nasabah Bank Dengan Mengadaptasi Model Analitikal
Antrian (Studi Kasus: Bank BNI Cabang Jimbaran)
Ni Wayan Eka Ayuningsih ... 263 Peramalan Cuaca Dengan Metode Root Means Square Error (RMSE)
Berdasarkan Algoritma Adaptive Splines Threshold Autoregression (ASTAR) Di Bandara Ngurah Rai Bali
Luh Eka Kusumayanti ... 270 Analisis Dan Desain Algoritma Pewarnaan Graf (Studi Kasus Penjadwalan
Level Pelajaran Di Robokidz Jimbaran)
Gede Dian Wirawan Putra ... 274 Analisis Perbandingan Tingkat Efisiensi Pelayanan Sarbagita Melalui Sms
Gateway Dan Manual
Ni Made Krista Kurnia Dewi ... 278 Pencarian Otonan Dengan Konversi Tanggal Masehi Ke Bilangan Julian
Menggunakan Fungsi Sys Pada Visual Foxpro
Made Pasek Agus Ariawan ... 282 Implementasi Algoritma K-Means Clustering Terhadap Pengklasifikasian
Hasil Belajar Siswa Sebagai Bahan Kaji Efektifitas Media Pembelajaran Matematika Berbasis TIK Di SMP Negeri 3 Semarapura
I Wayan Safira Sri Artha ... 288 Keamanan Jaringan Wifi Pada Sistem Login Member Perpustakaan Daerah
Singaraja Menggunakan Metode Algoritma Vigenere Chipper
Gede Suhendra Prayoga Saputra ... 293 Perancangan Dan Implementasi Sistem Manajemen Proyek Pada Pt. Asanka
Dengan Menggunakan Metode Prototyping
Putu Bagus Ari Dharma Udayana ... 300 Implementasi Virtual Private Network Menggunakan EoIP Tunnel Untuk
Koneksi Bridging Antar Kantor Di Dinas Komunikasi Dan Informatika Kota Denpasar
I Gede Wahyu Pramartha ... 307
Analisis Metode Steganografi Advance LSB Pada Domain Transformasi Wavelet Menggunakan MSE, PSNR Dan SSIM
I Wayan Agus Wirayasa ... 312
Perancangan Dan Implementasi Sistem Informasi Kritik & Saran Pelayanan Public Kantor Imigrasi Kelas I Denpasar
Ni Putu Yanita Pratiwi ... 320 Analisis Storage Data Record Pada IP Camera Di Gedung Rektorat
Universitas Udayana
Ida Bagus Gede Yogi Permadi ... 327 Sistem Absensi Pegawai Dan Pendataan Tamu Berbasis Desktop (Studi
Kasus Biro Jasa House Of Bali)
Ni Nyoman Yuli Andari ... 332
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
232 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana KLASIFIKASI BUAH MENGGUNAKAN METODE SUPPORT
VECTOR MACHINE (SVM) DENGAN KERNEL GAUSSIAN RADIAL BASIS FUNCTION (RBF)
Komang Soniya Gunawan
1, Agus Muliantara
21,2 Program Studi Teknik Informatika, Jurusan Ilmu Komputer, FMIPA, Universitas Udayana Jimbaran, Badung, Bali
Email : [email protected]1, [email protected]2
ABSTRAK
Mengingat semua kode buah merupakan hal yang sulit bagi seorang kasir. Sehingga, hal tersebut dapat mengakibatkan kesalahan dalam menginputkan kode buah tersebut. Salah satu solusinya adalah menggunakan kamera untuk mengenal jenis buah tersebut tanpa menginputkan kode tersebut. Untuk itu, diusulkan untuk menggunakan metode klasifikasi Support Vector Machine dengan dukungan kernel (kSVM), dengan tujuan agar hasil klasifikasi lebih cepat dan akurat. Pertama, gambar buah di akuisisi oleh kamera, yang kemudian dilakukan proses pengurangan noise dan menghilangkan latar belakang dari masing-masing gambar. Kedua, gambar tersebut akan di ekstraksi fitur yang terdiri dari fitur warna, bentuk, dan tekstur yang kemudian dilakukan proses normalisasi data fitur. Kernel SVM yang digunakan adalah Gaussian Radial Basis Function (RBF). Hasil percobaan menunjukkan bahwa SVM dengan Gaussian Radial Basis Function Kernel dengan nilai
mencapai akurasi klasifikasi terbaik yaitu 95 %.
Kata Kunci : Klasifikasi Buah, SVM, Kernel SVM, Gaussian Radial Basis Function Kernel.
ABSTRACT
Considering all the fruit code that may be difficult for a cashier. Thus, it may lead to make mistakes in the input fruit code. One solution is to use the camera to recognize the type of fruit without input the code.
Therefore, it is propose a classification method based on a kernel Support Vector Machine (kSVM), with the desirable goal of accurate and fast classification of fruits. First, fruit images were acquired by a digital camera, then the background of each image was removed and filtering to reduction the noise. Second, the image will be in the feature extraction which consists of the features of color, shape, and texture, and then the process of normalizing the feature data. Kernel SVM used is a Gaussian Radial Basis Function (RBF). The experimental results show that SVM with Gaussian Radial Basis Function Kernel with a value of achieves the best classification accuracy is 95 %.
Keywords : Fruit Classification, SVM, Kernel SVM, Gaussian Radial Basis Function Kernel
1. PENDAHULUAN
Pengenalan pada beberapa jenis buah dan sayuran merupakan hal yang tidak mudah bagi seorang kasir di suatu supermarket. Seorang kasir untuk mengingat semua kode sesuai dengan jenis buah dan sayuran merupakan hal yang sulit yang dapat mengakibatkan kesalahan seperti salah dalam menginputkan kode jenis buah. Solusi lain yang dapat mengurangi kesalahan dari kasir tersebut adalah membuat sistem yang dapat mengenali jenis buah tersebut pada supermarket. Sistem tersebut menggunakan sensor kamera yang dapat menangkap gambar buah tersebut, kemudian sistem akan memberikan hasil sehingga kasir tidak butuh
menginputkan kode buah tersebut yang akan dibeli oleh konsumen.
Selama beberapa tahun terakhir, banyak penelitian yang telah dilakukan untuk klasifikasi buah, diantaranya adalah Klasifikasi Buah menggunakan Multiclass Support Vector Machine dengan menggunakan fitur warna, bentuk, dan tekstur untuk mengenali 18 jenis buah [1], Klasifikasi buah menggunakan metode SVM dan LDA untuk mengenali 12 jenis buah [7], dan klasifikasi buah-buahan dan sayuran menggunakan algoritma clustering [8].
Oleh karena itu, pada penelitian ini akan menggunakan metode Support Vector Machine
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
233 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
(SVM) dengan Kernel Radian Basis Function (RBF) dengan menggunakan beberapa fitur yaitu fitur warna, bentuk, dan tekstur.
2 LANDASAN TEORI
2.1 Dataset
Pada penelitian ini, dataset yang digunakan adalah data dikumpulkan dengan menggunakan kamera digital. Buah Jeruk Kintamani dan Apel Manalagi diletakkan di bidang datar dengan latar berwarna hitam, dengan maksud untuk mengurangi efek bayangan. Total dataset yang digunakan sebanyak 60 buah. Dataset tersebut terdiri dari 30 buah apel dan 30 buah jeruk.
Gambar 1 : Apel Gambar 2 : Jeruk
2.2 Pengurangan Noise dan Segmentasi Citra Noise merupakan informasi yang tidak diinginkan yang mencemari citra. Noise berbentuk titik-titik atau pixel-pixel yang memiliki intensitas berbeda yang mengganggu citra. Biasanya, noise terjadi pada saat akuisisi citra seperti sebuah kamera yang memotret, proses scan gambar, sehingga diperlukannya proses pengurangan noise pada citra. Salah satu metode untuk menghilangkan noise adalah Median Filtering. Median Filtering adalah mengganti nilai pixel dengan median dari level intensitas dalam tetangga pixel yang telah dilakukan pengurutan. Setelah proses pengurangan noise, dilanjutkan dengan proses segmentasi citra.
Segmentasi citra adalah pemisahan antara objek dengan latar yang terdapat dalam sebuah citra.
2.3 Ekstraksi Fitur
2.3.1 Fitur Warna
Pada proses ekstraksi fitur warna, citra RGB akan dikonversi menjadi citra HSV. Citra dengan ruang HSV (Hue, Saturation, Value) menunjukkan ruang warna dalam bentuk tiga komponen utama. Hue menunjukkan jenis warna yang ditemukan dalam spectrum warna. Saturation adalah ukuran seberapa besar kemurnian suatu warna. Value adalah seberapa besar kecerahan dari suatu warna atau seberapa besar cahaya dari suatu
warna. Setelah proses tersebut, nilai Value akan direpresentasikan menggunakan histogram.
Histogram warna adalah representasi grafis untuk distribusi warna dari suatu citra.
Untuk menentukan nilai Value pada citra RGB, dapat dinyatakan dengan rumus :
(1) dimana :
V : value pada citra HSV 2.3.2 Fitur Tekstur
Ekstraksi fitur dengan analisis tekstur dilakukan dengan mengambil fitur dari citra grayscale berupa mean, contrast, homogeneity, energy, variance, correlation, dan entropy. Ciri Entropy menunjukkan sifat ketidakteraturan suatu citra. Ciri Energy menunjukkan sifat homogenitas suatu citra. Ciri Contrast menunjukkan ukuran penyebaran elemen-elemen matriks citra. Ciri Homogeneity menunjukkan keseragaman intensitas keabuan pada citra. Ciri Correlation menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. Ciri Mean menunjukkan ukuran disperse dari suatu citra. Ciri Variance menunjukkan variasi elemen pada histogram dari suatu citra.
(2)
(3)
(4)
(5)
,
(6)
(7)
(8)
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
234 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
dimana :
p(fn) : jumlah kemunculan suatu nilai intensitas (nilai histogram suatu nilai intensitas keabuan).
fn : nilai intensitas keabuan dalam suatu citra, rentang 0 – 255.
p(i,j) : nilai pada baris i dan kolom j pada matriks kookurensi.
: standar deviasi : mean
: variance 2.3.3 Fitur Bentuk
Ekstraksi fitur dengan analisis bentuk adalah bentuk suatu objek berkaitan dengan profile dan struktur fisik dari objek tersebut. Dalam analisis bentuk, terdapat fitur area dan perimeter.
Area menyatakan luas dari suatu objek, sedangkan perimeter menyatakan panjang dari kerangka yang dihasilkan atau objek. Untuk menghitung area dan perimeter, untuk mendeskripsikan atau mengkodekan bentuk atau counter suatu objek dapat menggunakan kode rantai atau Chain Code.
(9)
(10)
2.4 SVM dan Kernel
Support Vector Machines (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah kelas pada input space.
Hyperplane yang paling baik dapat diperoleh dengan memaksimalkan nilai margin. Margin adalah jarak minimum antara hyperplane dengan data training. Hyperplane terbaik akan melewati pertengahan antara kedua kelas. Data yang letaknya dekat dengan hyperplane disebut support vector.
Proses pembelajaran dalam SVM adalah mencari data yang merupakan support vector untuk memperoleh hyperplane yang terbaik.
(11) dimana :
w : bobot b : bias L : lagrange
: alpha
y : nilai target kelas untuk data training x : data training
Untuk mencari data yang merupakan support vector, maka dapat menggunakan persamaan (11) yang merupakan masalah Quadratic programming. Dengan menggunakanQuadratic Programming didapatkan nilai alpha . Bila data memiliki nilai , maka data tersebut bukanlah support vector. Sedangkan bila , maka data tersebut merupakan support vector.
Apabila nilai telah diperoleh, maka dan dapat diperoleh dengan menggunakan persamaan (12) dan (13). Setelah itu, dapat melakukan proses testing dengan persamaan (14).
(12)
(13)
(14)
Namun terdapat beberapa kasus yang tidak dapat diselesaikan dengan SVM Linear, sehingga kasus tersebut dapat diselesaikan dengan SVM Non Linear. Data yang dipetakan ke ruang vector berdimensi lebih tinggi, memiliki potensi lebih besar untuk dapat dipisahkan secara linear.
Sehingga pemakaian konsep kernel akan mengatasi masalah tersebut. Dengan konsep kernel tersebut, persamaan (14) akan berubah menjadi persamaan (16). Salah satu fungsi kernel yang paling banyak digunakan adalah Radial Basis Function (RBF) Kernel. Rumus Kernel RBF dapat dilihat pada persamaan (15).
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
235 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
(15)
(16)
dimana : K : kernel
exp : eksponensial ( ) x : data training
: parameter sigma SV : support vector t : data testing
3 SKENARIO UJI COBA
Pada proses testing, data testing akan dilakukan proses filtering, segmentasi, ekstraksi fitur, dan normalisasi data. Lalu dilakukan proses klasifikasi SVM dengan data yang telah didapatkan dari proses training, yaitu nilai w dan bias. Dari proses tersebut, maka akan dihasilkan kelas apa yang di prediksi dari SVM tersebut.
Gambar 3 : Proses Testing
4 HASIL UJI COBA
Pada penelitian ini,fitur awal yang berjumlah 10 fitur telah menjadi 40 fitur dengan menggunakan kernel RBF. Dataset yang digunakan untuk proses training adalah 40 buah. Sedangkan untuk proses testing menggunakan 20 buah.
Pada kernel RBF SVM terdapat parameter yang nilainya dapat diubah. Saat proses training, dataset diatur secara acarak antara kelas apel dan kelas jeruk. Pada proses pengujian ini, dilakukan percobaan dengan memasukkan nilai parameter antara 0.1 sampai 1.
Tabel 1 : Perbandingan Hasil Akurasi dengan Parameter Menggunakan SVM Kernel RBF
Parameter Akurasi (%)
0.1 50
0.2 50
0.3 50
0.4 50
0.5 50
0.6 90
0.7 15
0.8 95
0.9 15
1 15
Dari Tabel 1, dapat dilihat bahwa akurasi dari SVM dengan Kernel RBF menggunakan nilai memiliki nilai akurasi sebesar 95 % dibandingkan dengan nilai yang lainnya sesuai dengan Tabel 1. Tabel Confusion Matrix SVM dengan Kernel RBF menggunakan nilai
dapat dilihat pada Tabel 2.
Tabel 2 : Tabel Confusion Matrix SVM Kernel RBF dengan
Predicted Class
Accuration Apel Jeruk
Actual Class
Apel 9 1 90%
Jeruk 0 10 100%
Reliability 100% 90.91% 95%
5 KESIMPULAN
Melalui penelitian ini, dapat diketahui bahwa metode SVM dengan menggunakan kernel
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
236 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
RBF dapat memecahkan kasus klasifikasi buah jeruk dan apel. Berdasarkan penelitian ini, penggunaan parameter dengan nilai 0.8 memiliki akurasi sebesar 95%. Akan tetapi, tingkat akurasi dari SVM masih mungkin dapat ditingkatkan.
Untuk penelitian selanjutnya, disarankan untuk menambahkan dataset dan fitur agar dapat menghasilkan akurasi yang lebih baik, dan jenis buah dapat diperbanyak untuk di klasifikasi menggunakan metode SVM.
6. DAFTAR PUSTAKA
[1] Zhang, Yudong., Wu, Lenan. 2012.
“Classification of Fruit Using Computer Vision and a Multiclass Support Vector Machine”.
School of Information Science and Engineering, Southeast University. Sensors ISSN 1424-8220.
[2] Hamel, Lutz. 2009. Knowledge Discovery With Support Vector Machines. New Jersey : John Wiley & Sons, Inc.
[3] Putra, Dharma. 2010. Pengolahan Citra Digital. Yogyakarta : Penerbit Andi Offset.
[4] Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Yogyakarta : Penerbit Andi Offset.
[5] Tuceryan, Mihran. 1998. Texture Analysis.
World Scientific Publishing.
[6] Fojlaley, Mehrdad., Ahmadi Moghadam, Parviz., Amani Nia, Saeed. 2012. “Tomato Classification and Sorting with Machine Vision using SVM, MLP, and LVQ”.
International Journal of Agriculture and Crop Sciences, ISSN 2227-670X.
[7] Rocha, Anderson., Hauagge, Daniel., Wainer, Jacques., Goldenstein, Siome. 2010.
“Automatic Fruit and Vegetable Classification from Images”. Elsevier, Computers and Electronics in Agriculture 70, 96–104.
[8] Pennington, J.A.T., Fisher, R.A. 2009.
“Classification of Fruits and Vegetables”. J.
Food Compos, Anal 2009, 22, S23–S
