Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Analisis Perbandingan Learning Vector Quatization Dengan Adaptive Neuro Fuzzy Inference System Pada Klasifikasi Tingkat Kematangan Tomat
Fitri Yani NIM. (2016) | Skripsi | Teknik Informatika
Bagikan
Ringkasan
Pengenalan pola merupakan suatu cara untuk mendeskripsikan atau mengklasifikasikan suatu data kedalam kelompok tertentu berdasarkan kesamaan karakteristik yang ada dalam citra digital. Metode jaringan syaraf tiruan adalah salah satu metode untuk pengenalan pola. Learning Vector Quantization (LVQ) dan Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan metode jaringan syaraf tiruan yang dapat digunakan untuk mengenali pola. Kedua metode tersebut biasa digunakan untuk melakukan klasifikasi, namun keakuratan kedua metode tersebut belum diketahui mana yang lebih baik jika diterapkan pada satu masalah. Tomat mempunyai tingkat kematangan yang berbeda Ãâ beda, agar dapat mendapatkan kualitas tomat yang baik saat panen hingga pemasaran, diperlukan perlakuan yang berbeda pada tiap tingkat kematangan tomat seperti suhu, jumlah serta jangka waktu pemupukan dan penyiraman, waktu penyimpanan, serta estimasi waktu pemanenan. Oleh karena itu pada tugas akhir ini akan mencoba menerapkan membandingkan LVQ dan ANFIS untuk klasifikasi tingkat kematangan tomat guna diketahui metode mana yang memiliki keakuratan yang lebih baik. Berdasarkan hasil pembelajaran dan pengujian yang telah dilakukan, LVQ) dan ANFIS memiliki keakuratan yang berbeda. Besar nilai error klasifikasi pada LVQ = 0.6042 dan ANFIS = 0.1528. Nilai error tersebut menandakan besarnya kesalahan klasifikasi yang dilakukan. ANFIS memiliki kesalahan klasifikasi yang lebih rendah dibandingkan LVQ. Sehingga dapat disimpulk
Ringkasan Alternatif
Pattern recognition is used to describe or classify the data into specific groups based on common characteristics that exist in the digital image. Artificial neural network method is one of method for pattern recognition. Learning Vector Quantization (LVQ) and Adaptive Neuro Fuzzy Inference System (ANFIS) is an artificial neural network method that can be used to recognize patterns. Both LVQ and ANFIS are used to do classification, but the accuracy of both methods is not yet known which one is better when applied to a single problem. Tomato has a different maturity level - different, in order to obtain good quality tomatoes during harvest to marketing, a different treatment is needed at each level of maturity of the tomatoes as the temperature during the process of planting and storage, the amount of fertilizer and fertilizing and watering periods, long storage time , as well as the estimated time of harvesting and delivery. Therefore, in this thesis will try to apply to compare and ANFIS LVQ for classification of tomato maturity level to which methods are known to have better accuracy. Based on the results of learning and testing that has been done, LVQ and ANFIS have different accuracy. Great value on a classification error LVQ = 0.6042 and ANFIS = 0.1528. The error value indicates the magnitude of misclassification is done. ANFIS has misclassification lower than the LVQ. It can be concluded ANFIS better than LVQ on classifications maturity levels of tomatoes.