KLASIFIKASI CITRA KUPU-KUPU MENGGUNAKAN CIRI TEKSTUR, RUANG WARNA HSV DAN BACKPROPAGATION NEURAL NETWORK
| Main Author: | Nurul Ilmi Lailatal Fajriyah, - |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.uin-suska.ac.id/28325/1/BAB%20I-III%20dan%20VI.pdf http://repository.uin-suska.ac.id/28325/2/BAB%20IV%26V.pdf http://repository.uin-suska.ac.id/28325/ |
Daftar Isi:
- Perbedaan ciri fisik pada kupu-kupu dapat digunakan untuk proses identifikasi. Namun proses identifikasi kupu-kupu secara langsung sulit dilakukan. Sehingga dibutuhkan media untuk mempermudah proses identifikasi. Salah satunya yaitu dengan klasifikasi kupu-kupu melalui citra dengan menggunakan metode HSV untuk ekstraksi fitur warna, Local Binary Pattern (LBP) dan Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi fitur tekstur, dan Backpropagation Neural Network untuk klasifikasi. Data yang digunakan yaitu 550 data citra kupu-kupu dari data sekunder. Yang terdiri dari 10 kelas yaitu, Danaus plexippus, Heliconius charitonius, Heliconius erato, Junonia coenia, Lycaena phlaeas, Nymphalis antiopa, Papilio cresphontes, Pieris rapae, Vanessa atalanta, dan Vanessa cardui. Preprocessing yang dilakukan yaitu cropping untuk menghilangkan background dan resizing citra menjadi 400x400 piksel. Proses pembagian data menggunakan K-fold cross validation. Pengujian dilakukan dengan menggunakan K=3; 5; 10, learning rate=0,1; 0,01; 0,001, jumlah neuron hidden=11, 15, 19, dan maksimum epoch 100. Berdasarkan hasil pengujian, diperoleh nilai rata-rata akurasi tertinggi yaitu 63% pada neuron hidden 19 dengan k=10 learning rate 0,1. Penggabungan metode yang digunakan pada penelitian ini dapat digunakan, namun masih kurang optimal. Sehingga diperlukan metode tambahan agar hasil klasifikasi lebih optimal. Misalnya penambahan proses segmentasi untuk ciri khusus pada kupu-kupu. Kata Kunci: Backpropagation Neural Network, Citra Kupu-kupu, Gray Level Co-occurrence Matrix, Hue Saturation Value, Klasifikasi, Local Binary Pattern.