KLASIFIKASI MUTU JERUK NIPIS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ)

• Main Authors: Ahmad Sahru Romadhon, Vivi Tri Widyaningrum
• Format: Article
• Language: English
• Published: Lembaga Penelitian dan Pengabdian kepada Masyarakat 2015-10-01
• Series: Rekayasa
• Subjects: jaringan syaraf tiruan; learning vector quantization; neural network; learning vector quantization (lvq)
• Online Access: https://journal.trunojoyo.ac.id/rekayasa/article/view/2065
• ISSN: 0216-9495; 2502-5325

Pemanfaatan buah jeruk nipis sudah lama dikenal oleh masyarakat Indonesia dan memiliki nilai ekonomi yang tinggi. Harga buah jeruk nipis ditentukan oleh mutu yang didasarkan pada tingkat ketuaan dan kematangan. Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) memiliki kemampuan untuk melatih pola-pola yang merupakan neural network based on competition. Untuk itu, dalam penelitian ini, akan dibuktikan kemampuan JST LVQ tersebut dengan mengembangkan aplikasi untuk mengidentifikasi mutu jeruk nipis berdasarkan warna jeruk tersebut. Buah jeruk nipis diidentifikasi berdasarkan input histogram warna citra yang didapat dari hasil capture menggunakan kamera. Dari 20 sampel pola data jeruk nipis dengan tingkatan yang berbeda diinputkan pada jaringan syaraf tiruan Learning Vector Quantization (LVQ) untuk menghasilkan nilai bobot akhir. Klasifikasi mutu jeruk nipis ini menggunakan metode LVQ ini berhasil dengan tingkat keberhasilan identifikasi 76%. Dari hasil identifikasi yang telah dilakukan menghasilkan empat output identifikasi yaitu jeruk nipis muda 82%, setengah matang  76%, matang 80%, dan busuk 66 %. Utilization of lemon have been long time known by the indonesian  people and has a high economic value. Lemon price is determined by the quality of which is based on the rate of aging and maturity. Neural Network Learning Vector Quantization (LVQ) has the ability to train the patterns of neural network which is based on competition. Therefore, in this research, will prove the ANN LVQ ability to develop applications to identify quality lemon by the lemon color. The lemon were identified based on the input image histogram color obtained from  capture using camera. Of the 30 samples of data patterns lime with different levels of input on neural network Learning Vector Quantization (LVQ) to produce a final weight value. Lime quality classification using LVQ method is successful with identification success rate of 76%. From the results of identification that has been done produces four outputs, namely the identification of young lime 82%, 76% half-ripe, 80% ripe, and 66% rotten.