ManfaatBuah Mangga Untuk Kesehatan Dan Kecantikan, Mengenal Semua Jenis Rokok Di Indonesia Komunitas Kretek, Kumpulan Informasi Segala Lini Menentukan Kaki Dan Jenis Transistor, Buah, Gambar Lukisan Buah Buahan Tempatan Dalam Bakul Gambar Buah Buahan, Sistemkami menemukan 25 jawaban utk pertanyaan TTS macam buah mangga. Kami mengumpulkan soal dan jawaban dari TTS (Teka Teki Silang) populer yang biasa muncul di koran Kompas, Jawa Pos, koran Tempo, dll. Kami memiliki database lebih dari 122 ribu. Masukkan juga jumlah kata dan atau huruf yang sudah diketahui untuk mendapatkan hasil yang lebih akurat. Panduancara membuat akun Gmail baru pada kesempatan kali ini saya akan coba share cara membuat akun Gmail baru secara gratis kebetulan saya juga ingin membuat akun Gmail sekalian saja saya buat tutorialnya,saya juga pernah buat tutorial tentang cara membuat email di yahoo Agen Poker Capsa Domino Bandar Q Bandar Ceme Online Terbaik Teraman Terpercaya Mari ikuti langkah-langkahnya berikut ini 9dari 9 halaman. 8. Mangga Lalijiwo. Jenis mangga yang manis dan menyegarkan berikutnya adalah mangga lalijiwo yang memiliki ketinggian pohon sekitar 8 m dengan lebar tajuk mencapai 9 meter. Memiliki daun yang cukup lebat, percabangan yang banyak, dan buah setiap pohon juga banyak. Sistemkami menemukan 25 jawaban utk pertanyaan TTS jenis atau macam buah mangga. Kami mengumpulkan soal dan jawaban dari TTS (Teka Teki Silang) populer yang biasa muncul di koran Kompas, Jawa Pos, koran Tempo, dll. Kami memiliki database lebih dari 122 ribu. Sistemkami menemukan 25 jawaban utk pertanyaan TTS aneka macam jenis rupa. Kami mengumpulkan soal dan jawaban dari TTS (Teka Teki Silang) populer yang biasa muncul di koran Kompas, Jawa Pos, koran Tempo, dll. Kami memiliki database lebih dari 122 ribu. . Sistem kami menemukan 25 jawaban utk pertanyaan TTS jenis mangga. Kami mengumpulkan soal dan jawaban dari TTS Teka Teki Silang populer yang biasa muncul di koran Kompas, Jawa Pos, koran Tempo, dll. Kami memiliki database lebih dari 122 ribu. Masukkan juga jumlah kata dan atau huruf yang sudah diketahui untuk mendapatkan hasil yang lebih akurat. Gunakan tanda tanya ? untuk huruf yang tidak diketahui. Contoh J?W?B Sistem kami menemukan 25 jawaban utk pertanyaan TTS jenis/macam buah mangga. Kami mengumpulkan soal dan jawaban dari TTS Teka Teki Silang populer yang biasa muncul di koran Kompas, Jawa Pos, koran Tempo, dll. Kami memiliki database lebih dari 122 ribu. Masukkan juga jumlah kata dan atau huruf yang sudah diketahui untuk mendapatkan hasil yang lebih akurat. Gunakan tanda tanya ? untuk huruf yang tidak diketahui. Contoh J?W?B Buruan sikat diskonnya! Dari banyaknya jenis buah yang tumbuh di Indonesia, mangga menjadi salah satu […] Dari banyaknya jenis buah yang tumbuh di Indonesia, mangga menjadi salah satu yang paling populer. Rasanya yang manis asam nan segar menjadi alasan kenapa buah ini banyak digemari. Nah, tahukah kamu kalau ada beragam jenis mangga di Indonesia? Ya, ternyata mangga tidak hanya terdiri dari satu jenis saja, lho. Yuk, langsung aja simak jenis-jenis mangga berikut ini! Jenis-jenis mangga yang ada di Indonesia Mengenal macam-macam jenis mangga di Indonesia bisa jadi menambah pilihan kamu untuk menikmati buah yang satu ini. Ada apa saja sih? 1. Mangga arumanis Jenis mangga yang berasal dari Probolinggo ini mungkin sudah gak asing lagi buat kamu. Di Indonesia, mangga arumanis memang bisa dibilang cukup banyak penggemarnya. Hal ini karena aromanya yang harum dan rasanya yang manis, sesuai dengan namanya. 2. Mangga gedong gincu Kota Cirebon juga punya jenis mangga yang dikenal dengan nama gedong gincu. Kalau biasanya mangga memiliki kulit buah berwarna hijau, maka mangga gedong gincu ini punya warna kulit kuning kemerahan. Selain itu, secara ukuran mangga ini juga lebih kecil ketimbang mangga pada umumnya. Selain di Cirebon, mangga gedong gincu juga dapat ditemui di wilayah Indramayu. 3. Mangga alpukat Diberi nama mangga alpukat bukan berarti mangga yang satu ini bentuknya mirip alpukat ya, HappyFresher, hehe. Alih-alih demikian, penamaan tersebut lebih dikarenakan cara memotongnya yang mirip seperti cara memotong alpukat, yakni dipotong bagian tengahnya. Mangga alpukat sendiri berasal dari Pasuruan, Jawa Timur. Mangga ini berasal dari perkawinan antara mangga madu dan mangga arumanis. 4. Mangga malibu Mangga malibu adalah jenis mangga yang sejatinya berasal dari Darwin, Australia. Mangga ini kemudian diekspor ke Indonesia dan jadi cukup populer. Mangga malibu memiliki warna kulit buah kuning kemerahan. Uniknya, rasa buah ini mirip dengan buah kelapa. Secara ukuran, mangga malibu sedikit lebih besar ketimbang mangga lainnya. 5. Mangga apel Mangga apel memiliki bentuk bulat menyerupai buah apel, sehingga tak heran diberi nama demikian. Mangga ini ternyata berasal dari negara tetanggan kita yaitu Singapura. Mangga apel sendiri terdiri dari mangga apel merah dan hijau. Mangga apel merah memiliki rasa yang manis dengan tekstur halus. Sementara itu, mangga apel hijau rasanya cenderung asam. 6. Mangga manalagi Nama mangga yang satu ini juga pastinya udah familiar banget buat warga +62, deh. Mangga ini memiliki daging yang padat, tebal, dan berserat. Rasanya mirip seperti mangga arumanis. Sementara bentuknya lebih kecil dari jenis mangga lainnya seperti mangga golek. 7. Mangga madu Kalau kamu suka mangga manis, maka mangga madu ini bisa jadi pilihan selain mangga arumanis. Kulit buah mangga madu berwarna kuning cerah saat sudah matang. Sementara secara ukuran, mangga ini mirip dengan mangga manalagi. Selain di Indonesia, mangga madu bisa ditemui di sejumlah negara lain seperti Afrika Selatan, Thailand, dan India. 8. Mangga golek Mangga golek memiliki bentuk yang cenderung lonjong. Rasanya manis dan tekstur buahnya cenderung tidak berserat. Mangga ini banyak dibudidayakan di daerah Pasuruan, Indramayu, dan Probolinggo. 9. Mangga Indramayu Punya tekstur lembut dan rasa yang manis, mangga Indramayu juga menjadi salah satu primadona buah di Indonesia. Sesuai dengan namanya, mangga ini berasal dari wilayah Indramayu. Kulit buah mangga Indramayu berwarna hijau kekuningan, sementara dagingnya berwarna kuning cenderung oranye. 10. Mangga Miyazaki Dari namanya, kamu sudah bisa menebak dong dari mana jenis mangga yang satu ini berasal? Ya, Jepang. Uniknya, mangga Miyazaki ini dibanderol dengan harga yang fantastis, yakni bisa mencapai 63 juta Rupiah! Ini karena buah yang memiliki rasa manis tersebut dibudidayakan menggunakan Teknik yang tergolong sulit sampai-sampai membutuhkan ketelitian tingkat tinggi. 11. Mangga Chokanan Mangga Chokanan adalah buah yang berasal dari Thailand. Mangga ini memiliki kulit buah berwarna kuning. Rasanya manis sama seperti mangga arumanis. 12. Mangga garifta Jenis mangga lainnya adalah mangga garifta yang berasal dari wilayah Pasuruan. Kulit buahnya berwarna merah. Sementara itu, daging buahnya berwarna kuning kemerahan dengan rasa yang manis. Manfaat buah mangga untuk kesehatan Itu dia jenis jenis mangga yang perlu kamu ketahui. Nah, setelah mengetahui macam-macam mangga, kamu juga harus tahu apa saja manfaat buah mangga biar semakin termotivasi untuk mengonsumsi buah ini secara rutin. Salah satu peran mangga bagi kesehatan adalah sebagai buah penambah darah sehingga disarankan untuk dikonsumsi para penderita anemia. Sementara itu, dilansir dari Healthline, manfaat buah mangga untuk kesehatan yang lainnya adalah sebagai berikut Mencegah diabetes Meningkatkan kekebalan tubuh Menjaga kesehatan jantung Melancarkan pencernaan Merawat kesehatan mata Mencegah kanker Beli jenis mangga berkualitas di HappyFresh Supermarket Makan buah mangga secara rutin bisa membuat tubuh kita sehat. Tapi, pastikan mangga yang kamu beli juga memiliki kualitas yang baik, ya. Nah, kamu bisa beli macam-macam mangga berkualitas di HappyFresh Supermarket. Setiap produk di HappyFresh Supermarket telah melalui uji kualitas yang ketat untuk menjamin kualitas dan kesegarannya. Belanja di HappyFresh Supermarket juga banyak untungnya. Kamu bisa atur jadwal pengiriman sesuai keinginan dari jam 6 pagi setiap harinya! Selain itu, ada gratis ongkir dan berbagai diskon menarik yang bisa bikin belanja jadi lebih hemat. Yuk, belanja kebutuhan sehari-hari kamu di HappyFresh Supermarket sekarang juga. Happy shopping! Baca juga 5 Jenis Pisang Ini Paling Enak Dijadikan Camilan Referensi Healthline Jenis/macam buah mangga — Kunci Jawaban untuk TTS Cari - kunci TTS Cari - Jawaban TTS Sistem kami menemukan 1 jawaban utk pertanyaan TTS. Sistem kami menemukan 25 jawaban utk pertanyaan TTS jenis macam buah mangga. Kami mengumpulkan soal dan jawaban dari TTS Teka Teki Silang populer yang biasa muncul di koran Kompas, Jawa Pos, koran Tempo, dll. Kami memiliki database lebih dari 122 ribu. Masukkan juga jumlah kata dan atau huruf yang sudah diketahui untuk mendapatkan hasil yang lebih akurat. Gunakan tanda tanya ? untuk huruf yang tidak diketahui. Contoh J?W?B p>Memilih tanaman mangga yang sesuai dengan yang diinginkan menjadi sebuah tantangan dihadapkan pada tanaman marga Mangifera yang ada saat ini. Kesalahan pemilihan jenis tanaman mangga dapat menyebabkan kekecewaan pada pembeli dan menurunkan kepercayaan kepada penjual tanaman mangga karena dapat dianggap memberikan jenis tanaman yang salah. Permasalahannya adalah jenis tanaman mangga dapat diketahui setelah tanaman tersebut berbuah. Oleh karena itu, dalam upaya mereduksi kesalahan dalam pemilihan sebelum melakukan pembelian tanaman mangga, maka dirancang dan dibangun sebuah sistem pencitraan digital untuk pengenalan jenis tanaman mangga berdasarkan bentuk dan tekstur daun menggunakan metode Kecerdasan Artifisial K- Nearest Neighbor KNN yang digabungkan dengan Fusi Informasi guna memperoleh hasil klasifikasi dengan akurasi yang lebih baik. Data citra daun empat macam daun tanaman mangga yakni jenis Gadung, Lalijiwo, Golek dan Irwin, diproses menggunakan metode Local Binary Pattern LBP dan Entropy untuk ekstraksi fitur tekstur, dan metode Rectangularity untuk ekstraksi fitur bentuk. Kedua macam fitur tersebut difusikan menjadi masukan bagi pengklasifikasi KNN. Berdasarkan dari hasil-hasil pengujian, K-NN berhasil mengenali keempat jenis tanaman mangga tersebut dengan akurasi tertinggi sebesar 70% pada nilai K = 5, K = 9, K = 10 dan K = 11. Dari hasil pengujian juga diperoleh hasil bahwa fusi informasi mampu mempercepat sistem mengenali jenis tanaman mangga sebesar 0,11 detik. Abstract Choosing the right desired Mango plant is a challenge faced with various types of the existing Mangifera clan plants. The wrong choice of Mango plant species can end up with buyer disappointment and reduce the trust to the seller because it can be considered as providing the wrong type of plant. This happened because the type of Mango plant can only be identified after it bears fruit. In the effort to reduce such error, a digital imaging system was designed and built for recognizing the types of Mango plants based on the leaf shape and texture using Artificial Intelligence’s K-Nearest Neighbor KNN combined with Information Fusion to accelerate the classification with a consistent classification results. The image data consists of four kinds of Mango plant leaves, namely Gadung, Lalijiwo, Golek and Irwin. The leaf texture feature was extracted using the Local Binary Pattern LBP and Entropy methods, while the leaf shape feature was extracted using the Rectangularity method. The two features are fused as the input for the KNN classifier. Based on the test results, KNN was able to identify the four types of the Mango plant with the highest accuracy of 70% at values of K = 5, K = 9, K = 10, and K = 11. Besides that, it is also obtained a result that, the information fusion is able to speed up the recognition the types of Mango by seconds. dari nilai tengah maka diberi nilai 1, dan jika sebaliknya yakni nilai tetangga ≤ nilai tengah maka diberi nilai 0. Nilai-nilai biner tersebut kemudian diubah menjadi nilai desimal. Contoh komputasi LBP diperlihatkan pada Gambar 3. Berdasarkan pada angka-angka dalam kotak-kotak tersebut, maka nilai LBP dari sebuah piksel tertentu adalah 0+2+4+8+16+32+0+128 = 190. Gambar 2. Tahapan proses metode Rectangularity. Pada Gambar 2 dapat dilihat bahwa metode Rectangularity dimulai dengan mencari nilai panjang dan lebar dari obyek daun, lalu mendapatkan nilai luas obyek daun dengan mengalikan nilai panjang dengan nilai lebar dari obyek daun. Tahapan berikutnya adalah mencari nilai panjang dan lebar dari area daun atau daerah yang mengelilingi obyek daun. Nilai luas area daun diperoleh dari perkalian nilai panjang dan lebar area daun yang telah didapatkan diikuti dengan membagi nilai luas obyek daun dengan nilai luas area daun. Pada Gambar 3 dapat diperhatikan bahwa metode LBP dimulai dengan membandingkan nilai piksel tetangga dengan nilai piksel tengah. Apabila nilai piksel tetangga > nilai piksel tengah maka diberi nilai 1, dan sebaliknya bila nilai piksel tetangga [Diakses 5 April 2020] CHUNG-MING, K., NAI-CHUNG, Y., CHIN-SHAN, L., JING-YAN, L. & CHEN, Y., 2010. Global Image Enhancement in DCT Domain. IEEE, pp. 521-525 FARRELLY, 2017. KNN Ensembles for Tweedie Regression The Power of Multiscale Neighborhoods [online]. Tersedia di [Diakses 23 Juli 2020]. NADKARNI, P., 2016. Core Technologies Data Mining and Big Data. Clinical Research Computing, 187–204 [online]. Tersedia di [Diakses 20 Mei 2020] Arwin Datumaya, dkk, Pengenalan Jenis Tanaman Mangga… 785 NUGROHO, 2019. Confusion Matrix untuk Evaluasi Model pada Supervised Learning [online] Tersedia di [Diakses 8 Agustus 2020] PATURRAHMAN, 2020. Tugas Akhir S-1 Analisis Pengenalan Pola Daun Berdasarkan Fitur Canny Edge Detection dan Fitur GLCM Menggunakan Metode Klasifikasi K-Nearest Neighbor K-NN [online]. Tersedia di [Diakses 6 Juli 2020] RAHAYU, HONAINAH, & PAWENING, E. R., 2016. Klasifikasi Jenis Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode K-Nearest Neighbor. Prosiding SENTIA, 8. pp. A247–A253 [online]. Tersedia di [Diakses 4 April 2020]. RISKA, CAHYANI, L., & ROSADI, 2015. Klasifikasi Jenis Tanaman Mangga Gadung dan Mangga Madu Berdasarkan Tulang Daun. Jurnal Buana Informatika, 61, pp. 41–50 [online]. Tersedia di [Diakses 4 April 2020]. RUSLI & NASIR, M., 2018. Klasifikasi Jenis Mangga Berdasarkan Bentuk Daun Menggunakan Metode K-Nearest Neighbor. Jurnal Infomedia, 32, pp. 87-91 [online]. Tersedia di [Diakses 8 April 2020]. SOFFIANA, A., & PRASETYO, E., 2015. Klasifikasi Jenis Pohon Mangga Gadung dan Curut Berdasarkan Tekstur Daun. SESINDO 2011, Desember 2011. pp. 1–8, [online]. Tersedia di [Diakses 4 April 2020] SUMARI, & AHMAD, 2008. Designing MultiAgent-based Information Fusion System. The 1st Makassar International Conference on Electrical Engineering and Informatics 2008, pp. 137-143. SUMARI, & AHMAD, 2016. The Fusion of Artificial Intelligence and Information Fusion. International Symposium on Electronics and Smart Devices 2016, [online]. Tersedia di [Diakses 21 Mei 2020] SUMARI, & AHMAD, 2017. Information Fusion as Knowledge Extraction in an Information Processing System. International Journal of Artificial Intelligence and Neural Networks, 71, pp. 22–27. SUTARNO, ABDULLAH, & PASSARELLA, R., 2017. Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization LVQ . Prosiding Annual Research Seminar 2017, 31, pp. 65-70. Halaman ini sengaja dikosongkan Arwin Datumaya Wahyudi SumariAdang Suwandi AhmadCognitive Artificial Intelligence CAI is a new perspective in Artificial Intelligence AI, which brings a new concept of intelligence that is not only limited in the emulation of behavior and ways of how human thinks but also to explore how human grows its knowledge. The development of CAI was started by devising new method that is able to mimick the human brain ability to perform Knowldege Growing KG. Based on our long and thorough observation, the knowledge development in human brain is carried out by fusing the information obtained by human sensory organs from the environment. New knowledge is obtained as the time passes by fusing new information with the knowledge already stored in . In this paper we present a method which emulates the mechanism of KG within human brain called A3S Arwin -Adang-Aciek-Sembiring. The system which uses this method is called as Knowledge Growing System KGS. We also present an example with real-life data to show the work of A3S in performing KG Arwin Datumaya Wahyudi SumariAdang Suwandi AhmadIn Network-Centric Warfare paradigm, the key to win the war is information. In order to obtain as much as possible information of the battlefield situation, the commandant orders his units to deploy sensors in all strategic areas. The obtained information can be used by the commandant as decision maker to make a quick and correct strategic decision to win the war. Managing information that is coming from strategically-distributed sensors is the key to commandant's decision cycle and can become a big problem when the network gets larger. In this paper we propose and design a MultiAgent-based Information Fusion System MAIFS as one of approaches to cope with this problem. The system uses the advantage of information fusion in combining information obtained from the distributed sensors to produce more complete and comprehensive situational awareness information. The distributed sensors are treated as individual agents that form a network of agents called a multiagent system with information fusion capability. We will explain the steps in designing the MAIFS clearly by using a simple example of simple NCW scenario to give more understanding on the proposed system. Arwin Datumaya Wahyudi SumariAdang Suwandi AhmadKnowledge extraction is a means of obtaining knowledge from a phenomenon occured in the environment. Knowledge extraction as part of a process within an information processing system is a very easy task for human brain to do. In this paper we present a new technique for knowledge extraction called information fusion. In the creation of new knowledge, the brain does inferencing to obtain an inference. In essence, when doping the inferencing, the brain is fusing information obtained from the environment with the knowledge already stored in it. The obtained inference is new knowledge of the system while the occured mechanism is called as knowledge extraction. We have developed a method called A3S Arwin-Adang-Aciek-Sembiring for knowlegde extraction that was already applied to our system called Knowledge-Growing System KGS. We also present an example with real-life data to show the work of A3S in performing knowledge extraction Colleen FarrellyVery few K-nearest-neighbor KNN ensembles exist, despite the efficacy of this approach in regression, classification, and outlier detection. Those that do exist focus on bagging features, rather than varying k or bagging observations; it is unknown whether varying k or bagging observations can improve prediction. Given recent studies from topological data analysis, varying k may function like multiscale topological methods, providing stability and better prediction, as well as increased ensemble diversity. This paper explores 7 KNN ensemble algorithms combining bagged features, bagged observations, and varied k to understand how each of these contribute to model fit. Specifically, these algorithms are tested on Tweedie regression problems through simulations and 6 real datasets; results are compared to state-of-the-art machine learning models including extreme learning machines, random forest, boosted regression, and Morse-Smale regression. Results on simulations suggest gains from varying k above and beyond bagging features or samples, as well as the robustness of KNN ensembles to the curse of dimensionality. KNN regression ensembles perform favorably against state-of-the-art algorithms and dramatically improve performance over KNN regression. Further, real dataset results suggest varying k is a good strategy in general particularly for difficult Tweedie regression problems and that KNN regression ensembles often outperform state-of-the-art methods. These results for k-varying ensembles echo recent theoretical results in topological data analysis, where multidimensional filter functions and multiscale coverings provide stability and performance gains over single-dimensional filters and single-scale covering. This opens up the possibility of leveraging multiscale neighborhoods and multiple measures of local geometry in ensemble merupakan salah satu bagian tanaman yang dapat menjadiacuan klasifikasi, karena memiliki perbedaan fitur pada setiap jenis mangga. Penerapan Unconstraint Hit or Miss Transformation UHMT dengan empatstructuring element SE mengakibatkan tingginya kompleksitas penelitian ini bertujuan untuk menyederhanakan kompleksitaskomputasi dengan menerapkan satu dari sembilan SE pada UHMT. Pola fiturtulang daun diperoleh dengan menerapkan Local Binary Pattern LBP,kemudian hasil fitur yang diperoleh dihitung dengan entropy. Hasilmenunjukkan bahwa rata-rata nilai entropy yang tinggi dikategorikan padamangga madu. Pengujian klasifikasi membandingkan akurasi pada K-foldCross Validation, dengan nilai K-fold adalah 5, 8, dan 10. Akurasi tertinggidengan menggunakan 10-fold Cross Validition yaitu 78,5 %.Bagi petani atau masyarakat awam yang berminat untuk menanam pohon mangga selalu berharap bahwa buah mangga yang dihasilkan dari pohon yang ditanamnya merupakan jenis buah mangga sesuai dengan yang diinginkan. Otomatisasi yang dibuat dalam penelitian ini adalah melakukan klasifikasi jenis pohon mangga berdasarkan tekstur daun. Klasifikasi yang digunakan dalam penelitian ini adalah metode K-Nearest Neighbor K-NN dan Jaringan Syaraf Tiruan JST Backpropagation pada fitur tekstur daun mangga jenis gadung dan curut. Karena daun mangga umumnya berwarna hijau, maka fitur warna tekstur yang digunakan adalah fitur warna green dari bagian warna RGB Red, Green, Blue. Fitur tekstur yang digunakan dalam penelitian adalah rata-rata intensitas, smoothness, entropy, 5 moment invariant, energy, dan kontras. Klasifikasi dilakukan pada dua jenis daun pohon mangga menggunakan 30 sampel daun mangga gadung dan 30 sampel daun mangga curut. Hasil penelitian menunjukkan bahwa klasifikasi dengan K-NN memberikan rata-rata hasil akurasi keseluruhan sedangkan dengan JST Backpropagation memberikan rata-rata akurasi keseluruhan Chung-Ming KuoNai-Chung YangChih-Shan LiuFu-Yan ChenThe JPEG that applies discrete cosine transform DCT is one of the most popular image compression methods. Enhancement in the compressed domain offers two major advantages, including low computational complexity and storage space. To enhance an image in compression domain, the main issue is to develop an effective technique that limits the introduction of blocking artifacts. In this paper, we propose a new merging strategy to generate global DCT-like matrix, which achieve not only global enhancement but removing block artifacts in compressed-domain. In addition, we also propose multi-enhancement factors based on the distribution of frequency for fine tune image enhancement. From the simulation results, the proposed method provides an effective improvement for image enhancement and significant reduction in the introduction of block Technologies Data Mining and Big DataP NadkarniNADKARNI, P., 2016. Core Technologies Data Mining and Big Data. Clinical Research Computing, 187-204 [online]. Tersedia di [Diakses 20 Mei 2020]Confusion Matrix untuk Evaluasi Model pada Supervised LearningK S NugrohoNUGROHO, 2019. Confusion Matrix untuk Evaluasi Model pada Supervised Learning [online] Tersedia di [DiaksesTugas Akhir S-1 Analisis Pengenalan Pola Daun Berdasarkan Fitur Canny Edge Detection danA A PaturrahmanPATURRAHMAN, 2020. Tugas Akhir S-1 Analisis Pengenalan Pola Daun Berdasarkan Fitur Canny Edge Detection dan Fitur GLCM Menggunakan Metode Klasifikasi K-Nearest Neighbor K-NN

jenis macam buah mangga tts