ABSTRAKSI: Pemilihan bahan baku tempe sangat berpengaruh pada hasil produksi. Dan untuk tetap menjaga kepercayaan konsumen, maka diperlukan suatu sistem berbasis pengolahan citra digital yang dapat mengklasifikasikan kedelai sebagai bahan baku tempe berdasarkan kualitas. Dapat digolongkan menjadi 3 jenis kelompok kedelai yaitu: kedelai kualitas 1, kualitas 2, dan kualitas 3.
Dalam Tugas Akhir ini menggunakan metode SVM (Support Vector Machine) untuk pengklasifikasiannya dan menggunakan ekstraksi ciri LBP (Local Binary Pattern) untuk memperoleh informasi pada setiap citra input. Pada tugas akhir ini dilakukan proses preprocessing yang terdiri dari operasi resizing dan RGB to grayscale. Untuk analisa akurasi dan waktu komputasi digunakan 3 macam kernel option yaitu : 5, 7, 9 dengan varian P,R : (1,4), (1,8), (2,8). Untuk varian parameter kernel SVM menggunakan (Rbf dan Polynomial) serta penentuan multiclass SVM ( oneagainstone dan oneagainstall ) berpengaruh pada hasil akurasi dan waktu komputasi.
Dari hasil pengujian, varian kernel SV M terbaik adalah kernel polynomial, menghasilkan akurasi 93% dan hasil akuras i terbaik pada multiclass SVM adalah oneagainsone dengan nilai 74,88%. Perubahan parameter nilai (P,R ) dan kernel option mempengaruhi waktu komputasi dan akurasi, terkecuali pada kernel Rbf.
Kata Kunci : kedelai, SVM ( Support Vector Machine) , LBP (Local Binary Pattern)ABSTRACT: Selection of raw ingredient greatly affe ct soybean production. And to maintain consumer confidence, we need a system based on digital image processing to classify soybean as raw ingredient based on quality. Ca n be classified into three types of groups, namely soybean : soybean quality 1, 2 quality, and quality 3 .
In this final project using SVM (Support Vector Machine) for classification and feature extraction using LBP (Local Binary Pattern) to obtain information on each input image. In this final project consisting of a preprocessing process of resizing operations and RGB to grayscale. To analyze the accuracy and computational time used 3 kinds of kernel options are: 5, 7, 9, with variant P,R :(1,4), (1,8), (2,8). Variants of SVM kernel parameters using (Rbf and polynomial) and determinati on of multiclass SVM (oneagainstone and oneagainstall) effect on the accuracy of the results and computation time .
From the test results, the best variant of the SVM kernel is the kernel polynomial, yielding 93% accuracy and the best accuracy results on multiclass SVM is oneagainsone the value of 74.88%. Change parameter value (P,R) and the kernel option affects the computational time and accuracy, with the exception of the kernel Rbf.
Keyword: Keywords : soybean , SVM ( Support Vector Machine ), LBP ( Local Binary Pattern )