scholarly journals Adaptive Neuro-Fuzzy Inference System Based Grading of Basmati Rice Grains Using Image Processing Technique

2018 ◽  
Vol 1 (2) ◽  
pp. 19 ◽  
Author(s):  
Dipankar Mandal
Keyword(s):  
Image Processing ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Processing Technique ◽  
Image Processing Technique ◽  
Basmati Rice ◽  
Inference System ◽  
Rice Grains ◽  
Neuro Fuzzy

scholarly journals Adaptive Neuro-Fuzzy Inference System Based Grading of Basmati Rice Grains Using Image Processing Technique

2018 ◽  
Author(s):  
Dipankar Mandal
Keyword(s):  
Image Processing ◽  
Digital Image Processing ◽  
Digital Image ◽  
Fuzzy Inference ◽  
Basmati Rice ◽  
Rice Grain ◽  
Milled Rice ◽  
Inference System ◽  
Rice Grains ◽  
Neuro Fuzzy

Grading of rice grains has gain attentions due its requirement of quality assessment during import or export. Rice grain quality depends on milling operation, where rice hull is removed with a huller system followed by whitening operation. In such process, adjustment of rollers, control, and operation is important in terms of quality of milled rice. Especially, the basmati rice needed more quality assurance as it is not parboiled rice and exported globally with a high product value. In this present work, the basic problem of quality assessment in rice industry is addressed with digital image processing based technique. Machine vision and digital image processing provide an alternative with the automated, nondestructive, cost-effective, and fast approach as compared with traditional method which is done manually by human inspectors. A model of quality grade testing and identification is built based on morphological features using digital image processing and knowledge based adaptive neuro-fuzzy inference system (ANFIS). The qualities of rice kernels are determined with the help of shape descriptors and geometric features using the sample images of milled rice. The adopted technique has been tested on a sufficient number of training images of basmati rice grain. The proposed method gives a promising result in an evaluation of rice quality with 100% classification accuracy for broken and whole grain. The milling efficiency is also assessed using the ratio between head rice and broken rice percentage and it is 77.27% for the test sample. The overall results of the adopted methodology are promising in terms of classification accuracy and efficiency.

scholarly journals PENGGUNAAN METODE ANFIS (ADAPTIVE NEURO FUZZY INFERENCE SYSTEM) PADA APLIKASI PREDIKSI USIA KERTAS

2015 ◽  
Vol 8 (2) ◽  
Author(s):  
Valeria Cynthia Dewi ◽  
Victor Amrizal ◽  
Fenty Eka Muzayyana Agustin
Keyword(s):  
Image Processing ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Kertas merupakan bahan yang tipis dan rata, yang dihasilkan dengan kompresi serat yang berasal dari pulp. Kertas merupakan  salah  satu  komponen  utama  dari  buku  dan  dokumen-dokumen.  Seiring  dengan  berkembangnya teknologi saat ini, bukan suatu hal yang tidak mungkin bagi seseorang untuk memalsukan dokumen dan merugikan beberapa pihak contohnya pemalsuan surat wasiat, time sheet records, dan rekam medis. Salah satu cara mengetahui keaslian kertas yaitu dengan mengetahui usia kertas tersebut menggunakan metode Penanggalan Karbon. Tetapi, dengan metode  konvensional masih memiliki  kelemahan  seperti membutuhkan  peralatan  yang  canggih,  biaya mahal, proses yang lama, dan askes yang terbatas. Untuk mengetahui usia kertas juga bisa diketahui dengan melihat perubahan warna pada kertas. Untuk memberikan solusi pada permasalahan yang ada, penulis membuat aplikasi yang dapat mengidentifikasi kisaran usia kertas dengan proses yang lebih cepat, biaya lebih murah, dan tidak harus dilakukan oleh pegawai laboratorium. Aplikasi bernama Aplikasi Prediksi Usia Kertas yang dibuat berbasis desktop menggunakan  bahasa  pemrograman  MATLAB.  Terdapat  dua  proses  yaitu  pembacaan  citra  dengan  Image Processing dengan cara mengambil nilai rata-rata CMYK dari 60 data latih dan proses pencocokan dengan metode ANFIS Sugeno  (TSK)  fungsi keanggotaan Gaussian. Penelitian didahulukan dengan wawancara, observasi, dan studi  literatur. Metode  pengembangan  aplikasi menggunakan  prototype.  Hasil  pengujian menunjukkan  tingkat keberhasilan aplikasi dalam mengidentifikasi 60 data latih sebesar 100% dan terhadap 40 data yang belum dilatih sebesar 42,5%.Kata Kunci: Usia Kertas, Penanggalan Karbon, ANFIS, Image Processing, CMYK

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

scholarly journals Global Image Thresholding Adaptive Neuro-Fuzzy Inference System Trained with Fuzzy Inclusion and Entropy Measures

Symmetry ◽  
2019 ◽  
Vol 11 (2) ◽  
pp. 286 ◽  
Author(s):  
Athanasios Bogiatzis ◽  
Basil Papadopoulos
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Initial Step ◽  
Local Area ◽  
Mathematical Functions ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Entropy Measures ◽  
Complex Procedure ◽  
Artificial Neural Network Ann

Thresholding algorithms segment an image into two parts (foreground and background) by producing a binary version of our initial input. It is a complex procedure (due to the distinctive characteristics of each image) which often constitutes the initial step of other image processing or computer vision applications. Global techniques calculate a single threshold for the whole image while local techniques calculate a different threshold for each pixel based on specific attributes of its local area. In some of our previous work, we introduced some specific fuzzy inclusion and entropy measures which we efficiently managed to use on both global and local thresholding. The general method which we presented was an open and adaptable procedure, it was free of sensitivity or bias parameters and it involved image classification, mathematical functions, a fuzzy symmetrical triangular number and some criteria of choosing between two possible thresholds. Here, we continue this research and try to avoid all these by automatically connecting our measures with the wanted threshold using some Artificial Neural Network (ANN). Using an ANN in image segmentation is not uncommon especially in the domain of medical images. However, our proposition involves the use of an Adaptive Neuro-Fuzzy Inference System (ANFIS) which means that all we need is a proper database. It is a simple and immediate method which could provide researchers with an alternative approach to the thresholding problem considering that they probably have at their disposal some appropriate and specialized data.

Sign in / Sign up

Export Citation Format

Share Document