WIBOWO, NAUFAL FADILLAH (2025) IMPLEMENTASI METODE GLCM UNTUK EKSTRAKSI FITUR DAN SVM UNTUK KLASIFIKASI FITUR GABAH. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (479kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (100kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (279kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (53kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (518kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (92kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (169kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (716kB) |
Abstract
Rice is a very important agricultural product in Indonesia, and its quality is greatly influenced by the drying process carried out after harvest. This study uses rice images from three types of rice, namely Bangkok Rice, Red Rice Rice, and IR64 Rice, which are grouped into three quality categories: intact, damaged, and broken. This study aims to implement the Gray Level Co-occurrence Matrix (GLCM) method in extracting texture features in rice images and classifying rice quality using the Support Vector Machine (SVM) algorithm. The research process consists of rice image collection, image preprocessing, feature extraction using GLCM for texture and HSV for color, and classification using SVM. Model evaluation was carried out by dividing the dataset into training data (80%) and testing data (20%). The results showed that the combination of GLCM and SVM was able to produce excellent classification accuracy, namely 96% on the training data and 93% on the testing data. This model showed excellent performance in classifying rice quality, with high precision, recall, and f1-score across all categories. This research provides an important contribution in the application of image processing and machine learning technology to improve efficiency and accuracy in automatic rice quality assessment. Keywords: Gray Level Co-occurrence Matrix, SVM, Feature Extraction, Classification, Grain. Gabah merupakan produk pertanian yang sangat penting di Indonesia, dan kualitasnya sangat dipengaruhi oleh proses pengeringan yang dilakukan setelah panen. Penelitian ini menggunakan citra gabah dari tiga jenis gabah, yaitu Gabah Bangkok, Gabah Beras Merah, dan Gabah IR64, yang dikelompokkan ke dalam tiga kategori kualitas: utuh, rusak, dan patah. Penelitian ini bertujuan untuk mengimplementasikan metode Gray Level Co-occurrence Matrix (GLCM) dalam ekstraksi fitur tekstur pada citra gabah dan mengklasifikasikan kualitas gabah menggunakan algoritma Support Vector Machine (SVM). Proses penelitian terdiri dari pengumpulan citra gabah, preprocessing citra, ekstraksi fitur menggunakan GLCM untuk tekstur dan HSV untuk warna, serta klasifikasi menggunakan SVM. Evaluasi model dilakukan dengan membagi dataset menjadi data pelatihan (80%) dan data pengujian (20%). Hasil penelitian menunjukkan bahwa kombinasi GLCM dan SVM mampu menghasilkan akurasi klasifikasi yang sangat baik, yaitu 96% pada data pelatihan dan 93% pada data pengujian. Model ini menunjukkan performa yang sangat baik dalam mengklasifikasikan kualitas gabah, dengan precision, recall, dan f1-score yang tinggi di seluruh kategori. Penelitian ini memberikan kontribusi penting dalam penerapan teknologi pengolahan citra dan machine learning untuk meningkatkan efisiensi dan akurasi dalam penilaian kualitas gabah secara otomatis. Kata kunci: Gray Level Co-occurrence Matrix, SVM, Ektraksi Fitur, klasifikasi, Gabah
Actions (login required)
 |
View Item |
