Implementasi Learning Vector Quantification dan K-Nearest Neighbor untuk Aplikasi Pemilahan Buah

Abstract

Proses pengenalan citra dimulai dengan image acquisition dan image pre-processing, proses berikutnya adalah mendapatkan ekstraksi ciri. Pada penelitian ini ekstraksi ciri yang digunakan adalah ciri warna HSI dan ciri tekstur orde dua buah jeruk keprok. Tahap berikutnya adalah melakukan klasifikasi dengan metode klasifikasi LVQ dan K-NN. Metode klasifikasi LVQ dan K-NN menghasilkan laju akurasi 95 %, optimalisasi laju akurasi dapat dilakukan selain dengan metode klasifikasi yang tepat juga dengan pemilihan ekstraksi ciri yang sesuai. Penggunaan analisis ROC pada penelitian ini dilakukan untuk mendapatkan komparasi parameter hasil klasifikasi pada metode LVQ dan K-NN secara lengkap, pada aplikasi pemilahan buah.

Image Recognition process get started by image acquisition and image pre-processing, the next step is to get feature extraction. This research used HSI colour features and second order features for texture extraction of keprok orange fruit. After this stage is done, the classification with LVQ method and K-NN method is ordered. LVQ method and K-NN method for all fruit tester result 95 % of rate accuracy. Rate accuracy optimise could be done by appropriate classification method else with picked out the right feature extraction. The used ROC analysis in the research is to obtain comprehensive LVQ and K-NN method comparative for fruit sorting application.