IDENTIFIKASI TINGKAT KEBULATAN BUAH PEPAYA BERDASARKAN LUAS OBJEK DENGAN PENGOLAHAN CITRA

Sila Abdullah Syakri, Mulyadi Mulyadi, Zulfan Khairil Simbolon

Abstrak


Abstrak — Dengan meningkatnya teknologi IT dalam hampir diseluruh bidang dan diantaranya bidang klasifikasi. Klaster ataupun klustering merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang mana kesamaan data dalam suatu kelompok lebih besar dibandingkan kesamaan data tersebut dengan data dalam kelompok lain. Potensi dari clustering adalah dapat digunakan untuk mengetahui struktur dalam data yang dapat digunakan lebih lanjut dalam berbagai aplikasi secara luas seperti klasifikasi, pengolahan gambar, pengenalan pola dalam bidang pertanian, proses pengenalan dan penentuan serta klasifikasi hasil pertanian pasca panen secara langsung memiliki peran yang sangat penting dalam teknologi pertanian.Hal ini juga yang menjadi masalah ketika pasca panen, baik dalam hal penyortiran. Bertitik tolak pada kasus tersebut, maka perlu adanya sebuah penelitian tentang sistem/metode/algoritma tentang tingkat kebulatan (Roudness) berdasarkan hal tersebut dibuatlah penelitian ini. Penelitian ini menggunakan data sekunder yang telah diperoleh pada penelitian sebelumnya yang dilakukan penulis untuk klasifikasi nantinya, adapun judul penelitianya adalah Identifikasi Tingkat Kebulatan Buah Pepaya Berdasarkan Luas Objek Dengan Pengolahan Citra. Adapun langkah yang dilakukan untuk menerapkan metode yang digunakan adalah sebagai berikut: Pertama, Pengambilan citra dan normalisasi. Kedua Segmentasi. Ketiga, ekstrasi tepi dan pelacakan kontur, peroleh kode rantai, keliling dan luas objek. Keempat perhitungan nilai kebulatan. Hasil penelitian ini bertujuan mampu memodelkan algoritma baru untuk mengetahui tingkat kebulatn objek (Buah pepaya)

Kata Kunci :Luas, data,objek, keliling, Kebulatan


Abstract — With the cheapness of IT technology in the long time. Cluster or clustering is the process of dividing data in a group into several groups where the similarity of data in a group greater than the similarity of data with data in other groups. The potential of clustering can be used to view structures in data that can be used further in a wide range of applications such as image processing, mindset in agricultural products, the process of presentation and management and enhancement of post- harvest agricultural produce directly has a very important role in technology agriculture. This is also a problem during post- harvest, both in terms of sorting. Based on that point, it is necessary to have a research about the system / method / algorithm about the level of Roudness (Roudness) based on the thing that made this research. This study uses secondary data that has been developed in previous research conducted by the author for the class later, as for the title of the research is the level of Papaya Fruit Roughness Based on Area Objects With Image Processing. The steps - steps taken to apply the methods used are as follows: First, image retrieval and normalization. Second, Segmentation. Third, creative extraction and contour success, ethnic code, circumference and area of objects. Fourth,roundness calculation. The results of this study can be able to model a new algorithm to determine the level kebulatn object (papaya fruit)

Keywords: Area, data, object, circumference, roundness


Teks Lengkap:

PDF

Referensi


Kim, M.J; Lee, YG; Jong, BRA, (2005), “A Fast Multi-Resolution Block Matching Algorithm for Multiple-Frame Motion estimation”. IEICE TRANS. INF. & SYST., VOL.E88–D, NO.12.

Munir, R, (2004), “Pengolahan Citra Digital Dengan Pendekatan Algoritmik”, Bandung : Penerbit Informatika, ISBN: 979-3338-29- 6.

Misiti, M, (2004), “Wavelet Toolbox: For Use With Matlab”, California : Mathworks.

Parent, R, (2002), “Computer Animation, Algorithms and Techniques”, Academic Press, USA.

Richardson, IEG, (2003), “H.264 And MPEG-4 Video Compression”, John Wiley& Sons Ltd, England.

Sadashivappa, G; Babu, A. (2009), “Wavelet Filter For Image Compression, An Analytical Study”, ICGST-GVIP Journal, Vol 9, Issu 5, September,ISSN: 1687-398X.

Usama, S; Šimák, B, (2002), “A Low-complexity Wavelet Based Algorithm for Inter-frame Image Prediction”. Acta Polytechnica Vol. 42.

Fu, Ming; Au, Oscar; Chan, WC, (2002), “Temporal Interpolation Using Wavelet Domain Motion Estimation And Motion Compensation” IEEE, 0-7803-7622-6/02.

Aoun, Najib Ben; “Wavelet Transform Based Motion Estimation and Compensation for Video Coding” REsearch Groups on Intelligent Machines (REGIM) University of Sfax, National Engineering School of Sfax (ENIS).

Kusumaningsih, Ari, (2010) “ Estimasi Motion Vector Menggunakan Algoritma Block Matching Pada Video Animasi Kuno” Kursor, Vol.5, No. 4, Juli 2010, ISSN: 0216-0544, Tunojoyo, Madura.




DOI: http://dx.doi.org/10.30811/.v2i2.517

Refbacks

  • Saat ini tidak ada refbacks.


Hak Cipta (c) 2018 Jurnal Infomedia