Gaussian Mixture Model Dalam Proses Pengenalan Daun Untuk Mengidentifikasi Tanaman Herbal
Abstract
Abstrak—Tanaman herbal merupakan salah satu obat alternatif yang digunakan dalam bidang Kesehatan untuk mengobati penyakit. Tanaman herbal dapat ditemukan di sekitar rumah atau di lingkungan terdekat. Dengan keterbatasan pengetahuan manusia mengenai tanaman herbal, seiring kemajuan teknologi maka penelitian ini dibuat untuk mendeteksi daun tanaman herbal menggunakan Image Processing yang memanfaatkan teknologi yang semakin maju. Untuk pengenalan daun tanaman herbal digunakan segmentasi Gaussian Mixture Model sebagai clustering dan memanfaatkan image processing, dibutuhkan dataset daun tanaman herbal agar dapat mengenali daun tanaman herbal yang ingin di deteksi sebagai data latih. Dalam penelitian ini menghasilkan rata rata tingkat kecocokan sebesar 79.2% dengan waktu pemrosesan 4.44 detik. Selanjutnya hasilnya akan ditampilkan pada website sebagai hasil outputnya.Kata kunci— website, gaussian mixture model, clustering, tanaman herbalReferences
E. Iqbal, Eliyatiningsih, Nurahmanto, Dwi, Sari and V. Kartika, "Pembibitan Tanaman Herbal di Desa Pace Kecamatan Silo Kabupaten Jember Guna Menuju Desa Sentra H," Jurnal Pengabdian Masyarakat Berkemajuan, pp. 264-267, 2020
Prasasti, A. L., Irawan, B., Fajri, S. E., Rendika, A., & Hadiyoso, S. (2020). Perbandingan Ekstraksi Fitur Dan Proses Matching Pada Autentikasi Sidik Jari Manusia. Elkomika: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 8(1), 95.
Saepudin, Encang, Rusmana, Agus, Budiono and Agung, "Penciptaan Pengetahuan Tentang Tanaman Obat Herbal dan Tanaman Obat Keluarga," Jurnal Kajian Informasi & Perpustakaan, vol. 4, no. 1, p. 95, 2016
Prasasti, A. L., Mengko, R. K. W., & Adiprawita, W. (2015). Vein Tracking Using 880nm Near Infrared And CMOS Sensor With Maximum Curvature Points Segmentation. In 7th WACBE World Congress On Bioengineering 2015 (Pp. 206-209). Springer, Cham.
R. A. Surya, A. Fadlil and A. Yudhana, "Ekstraksi Ciri Metode Gray Level Co- Occurrence Matrix (GLCM) dan Filter Gabor Untuk Klasifikasi Citra Batik Pekalongan," Jurnal Informatika:Jurnal Pengembangan IT, vol. 2, no. 2, 2017
K. Karnadi, "Pengembangan Aplikasi Digital Image Processing dengan Microsoft Visual Basic," Jurnal Digital Teknologi Informasi, vol. 1, no. 1, p. 15, 2018
Putra, R. D., Purboyo, T. W., & Prasasti, L. A. (2017). A Review of Image Enhancement Methods. International Journal of Applied Engineering Research, 12(23), 13596-13603.
Aziz, M. N., Purboyo, T. W., & Prasasti, A. L. (2017). A survey on the implementation of image enhancement. Int. J. Appl. Eng. Res, 12(21), 11451-11459
R. Achmad, S. Gulo and A. Y. Gultom, "Analisis Gray Level Co- Occurrence Matrix (Glcm) Dalam Mengenali Citra Ekspresi Wajah," Jurnal Mantik, vol. 3, no. 2, pp. 31-38, 2019.
Parapat, I. Monika, Furqon, M. Tanzil and Sutrisno, "Penerapan Metode Support Vector Machine (SVM) pada Klasifikasi Penyimpangan Tumbuh Kembang Anak," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, p. 3163, 2018.
R. A. Rizal, I. S. Girsang and S. A. Prasetiyo, "Klasifikasi Wajah Menggunakan Support Vector Machine (SVM)," Riset dan E-Jurnal Manajemen Informatika Komputer, vol. 3, 2019.