Penerapan Teknik Image Analysis Dan Artificial Neural Network (Ann) Untuk Pendugaan Ketuaan Buah Kelapa Gading (Coco Nucifera Var. Ebunea)
| Main Author: | Amini, Aisyiyah |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/165774/ |
Daftar Isi:
- Tanaman kelapa (Cocos nucifera L.) merupakan salah satu tanaman industri yang memegang peranan penting dalam perekonomian di Indonesia. Tanaman kelapa termasuk salah satu sumber mata pencaharian bagi sebagian besar penduduk di seluruh pelosok tanah air. Hal itu membuat pemerintah daerah setempat giat melakukan peremajaan dan perluasan areal perkebunan kelapa untuk meningkatkan produksinya. Dalam penentuan mutu dan kualitas buah kelapa yang akan dipasarkan faktor yang paling berpengaruh adalah proses penanganan pasca panen. Buah kelapa dengan mutu yang baik disesuaikan dengan kebutuhan konsumen. Pada prakteknya, dalam menentukan jenis kelapa muda atau tua tidak semua orang bisa melakukan. Biasanya para tengkulak buah kelapa menentukan kelapa yang muda dengan cara di tepuk-tepuk atau di goncangkan buahnya. Proses identifikasi ini memiliki kelemahan yakni kelelahan, perbedaan persepsi, waktu yang diperlukan relatif lama, serta menghasilkan produk yang kurang seragam. metode yang cocok untuk menjamin tingkat ketuaan tanaman buah kelapa adalah penerapan teknik pengolahan citra digital. Aplikasi citra ini bertujuan untuk mengidentifikasi tingkat ketuaan buah kelapa menggunakan metode Artificial Neural Network (ANN). Penelitian ini dilakukuan dengan tujuan untuk mengidentifikasi tingkat ketuaan kelapa secara non konvensional dengan pengembangan algoritma pengolahan citra digital dan ANN. Dari penelitian didapatkan hasil pemodelan ANN terbaik adalah dengan 14 input yaitu RGB, HSI, contrast, correlation, energy, homogeneity, area, perimeter, eccentricity, dan metric. Pemodelan jaringan tersebut menghasilkan nilai MSE training sebesar 0,002155 dan MSE viii testing sebesar 0,107265. Hasil dari jaringan yang yang dilakukan mencapai proporsi data testing sebesar 90,331%. Hasil tersebut didukung dengan fungsi aktivasi tansig dan fungsi pembelajaran traincgb. Neuron yang digunakan untuk satu hidden layer adalah 100 neuron.