KLASIFIKASI CACAT PADA KALENG KEMASAN MENGGUNAKAN METODE LACUNARITY DAN NAÏVE BAYES
Bilah Samping Artikel
Diterbitkan
Nov 27, 2021
Isi Artikel Utama
Abstrak
Kaleng merupakan lembaran baja yang dilapisi timah (Sn) dan dipakai untuk mengemas produk makanan maupun minuman. Pengunaan kaleng sebagai kemasan produk makanan karena kaleng susah untuk dilalui miroorganisme serta tidak dapat ditembus oleh sinar ultraviolet sehingga kualitas produk makanan atau minuman yang dikemas tersebut terjaga kualitasnya. Kaleng yang dipilih sebagai kemasan tersebut harus dalam kondisi tidak cacat sehingga diperlukan proses inspeksi terhadap kaleng tersebut. Penelitian ini mengimplementasikan metode Lacunarity dan Naïve Bayes Classification untuk mengklasifikasikan jenis kaleng yang dikelompokkan menjadi 2 class yaitu Good dan Reject. Dari implementasi metode Lacunarity mampu menghasilkan 28 nilai ekstraksi fitur tekstur yang bervariasi per citra. Hasil evaluasi klasifikasi metode Naïve Bayes Classification untuk mengklasifikasikan kondisi kaleng kemasan diperoleh nilai accuracy sebesar 0,87, precision sebesar 0,88, recall sebesar 0,86 dan f-measure sebesar 0,87, sehingga metode metode Naïve Bayes Classification dapat mengklasifikasikan jenis kaleng kemasan dalam kondisi Good dan Reject berdasarkan nilai ekstraksi tekstur menggunakan metode Lacunarity.
##plugins.generic.usageStats.downloads##
##plugins.generic.usageStats.noStats##
Rincian Artikel
##submission.howToCite##
Erwanto, D., Rahayu, P., & Utomo, Y. (2021). KLASIFIKASI CACAT PADA KALENG KEMASAN MENGGUNAKAN METODE LACUNARITY DAN NAÏVE BAYES. Electro Luceat, 7(2), 142-150. https://doi.org/10.32531/jelekn.v7i2.398
Bagian
Artikel
##submission.license.cc.by-sa4.footer##
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Referensi
[1] A. Bakhori, “Tinjauan Aspek Korosi pada Makanan dalam Kemasan Kaleng,” Pist. (Jurnal Ilm. Tek. Mesin Fak. Tek. UISU), vol. 2, no. 1, hal. 30–38, 2017.
[2] C. V.-B. M. PC, “Computare Vision Berbasis Camera dan Mini PC untuk Identifikasi Kecacatan Penutup Kemasan Minuman Kaleng Computare Vision-Based Mini PC and Camera In Identifying Defective Packaging Closures of Beverage Cans,” J. Ilm. Poli Rekayasa, vol. 12, no. 1, hal. 1–10, 2016.
[3] B. Sugandi dan S. Dewi, “Sistem Inspeksi Kecacatan pada Kaleng Menggunakan Filter Warna HSL dan Template Matching,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 2, hal. 124–130, 2018.
[4] R. Kusumawardani dan P. D. Karningsih, “Detection and Classification of Canned Packaging Defects Using Convolutional Neural Network,” PROZIMA (Productivity, Optim. Manuf. Syst. Eng., vol. 4, no. 1, hal. 1–11, 2020.
[5] R. E. Plotnick, R. H. Gardner, dan R. V O’Neill, “Lacunarity indices as measures of landscape texture,” Landsc. Ecol., vol. 8, no. 3, hal. 201–211, 1993.
[6] A. R. Backes, “A new approach to estimate lacunarity of texture images,” Pattern Recognit. Lett., vol. 34, no. 13, hal. 1455–1461, 2013.
[7] M. M. Firman Tempola dan A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, 2018.
[8] M. Muchtar, “Penggabungan fitur dimensi fraktal dan lacunarity untuk klasifikasi daun,” Institut Teknologi Sepuluh Nopember, 2015.
[9] H. Irsyad dan A. Taqwiym, “Community Analysis Sentiment Against Palestinian People with Naive Bayes Classification,” JTECS J. Sist. Telekomun. Elektron. Sist. Kontrol Power Sist. dan Komput., vol. 1, no. 2, hal. 167, Jul 2021.
[10] D. Sartika dan D. I. Sensuse, “Perbandingan algoritma klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada studi kasus pengambilan keputusan pemilihan pola pakaian,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 3, no. 2, hal. 151–161, 2017.
[11] A. Saleh, “Implementasi metode klasifikasi naive bayes dalam memprediksi besarnya penggunaan listrik rumah tangga,” Creat. Inf. Technol. J., vol. 2, no. 3, hal. 207–217, 2015.
[12] M. Erfan, D. Erwanto, dan P. N. Rahayu, “Ekstraksi Fitur Warna dan Tekstur Pada Kulit Katak Menggunakan Metode Momen Warna dan CCM,” Setrum Sist. Kendali-Tenaga-elektronika-telekomunikasi-komputer, vol. 9, no. 2, 2020.
[13] A. Prabowo, D. Erwanto, dan P. N. Rahayu, “Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Ekstraksi Tekstur GLCM dan KNN,” Electro Luceat, vol. 7, no. 1, hal. 74–81, 2021.
[14] E. Prasetyo, “Data mining mengolah data menjadi informasi menggunakan matlab,” 2019.
[2] C. V.-B. M. PC, “Computare Vision Berbasis Camera dan Mini PC untuk Identifikasi Kecacatan Penutup Kemasan Minuman Kaleng Computare Vision-Based Mini PC and Camera In Identifying Defective Packaging Closures of Beverage Cans,” J. Ilm. Poli Rekayasa, vol. 12, no. 1, hal. 1–10, 2016.
[3] B. Sugandi dan S. Dewi, “Sistem Inspeksi Kecacatan pada Kaleng Menggunakan Filter Warna HSL dan Template Matching,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 2, hal. 124–130, 2018.
[4] R. Kusumawardani dan P. D. Karningsih, “Detection and Classification of Canned Packaging Defects Using Convolutional Neural Network,” PROZIMA (Productivity, Optim. Manuf. Syst. Eng., vol. 4, no. 1, hal. 1–11, 2020.
[5] R. E. Plotnick, R. H. Gardner, dan R. V O’Neill, “Lacunarity indices as measures of landscape texture,” Landsc. Ecol., vol. 8, no. 3, hal. 201–211, 1993.
[6] A. R. Backes, “A new approach to estimate lacunarity of texture images,” Pattern Recognit. Lett., vol. 34, no. 13, hal. 1455–1461, 2013.
[7] M. M. Firman Tempola dan A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, 2018.
[8] M. Muchtar, “Penggabungan fitur dimensi fraktal dan lacunarity untuk klasifikasi daun,” Institut Teknologi Sepuluh Nopember, 2015.
[9] H. Irsyad dan A. Taqwiym, “Community Analysis Sentiment Against Palestinian People with Naive Bayes Classification,” JTECS J. Sist. Telekomun. Elektron. Sist. Kontrol Power Sist. dan Komput., vol. 1, no. 2, hal. 167, Jul 2021.
[10] D. Sartika dan D. I. Sensuse, “Perbandingan algoritma klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada studi kasus pengambilan keputusan pemilihan pola pakaian,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 3, no. 2, hal. 151–161, 2017.
[11] A. Saleh, “Implementasi metode klasifikasi naive bayes dalam memprediksi besarnya penggunaan listrik rumah tangga,” Creat. Inf. Technol. J., vol. 2, no. 3, hal. 207–217, 2015.
[12] M. Erfan, D. Erwanto, dan P. N. Rahayu, “Ekstraksi Fitur Warna dan Tekstur Pada Kulit Katak Menggunakan Metode Momen Warna dan CCM,” Setrum Sist. Kendali-Tenaga-elektronika-telekomunikasi-komputer, vol. 9, no. 2, 2020.
[13] A. Prabowo, D. Erwanto, dan P. N. Rahayu, “Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Ekstraksi Tekstur GLCM dan KNN,” Electro Luceat, vol. 7, no. 1, hal. 74–81, 2021.
[14] E. Prasetyo, “Data mining mengolah data menjadi informasi menggunakan matlab,” 2019.