ANALISIS METODE K-NN (K-NEAREST NEIGHHBOR) DENGAN EKSTRAKSI CIRI GLCM (GRAY LEVEL CO-OCCURRENCE MATRIX) MELALUI SISTEM IDENTIFIKASI BERDASARKAN CITRA DAUN

Abstract

Salah satu keanekaragaman hayati yang dimiliki Indonesia adalah keberagaman jenis tanaman, di hutan Indonesia di temukan kurang lebih 30.000 jenis tanaman. Jenis tanaman yang begitu banyak sangat menyulitkan masyarakat dan memakan watu yang lama dalam mengidentifikasi dan pengelompokkan tanaman secara manual. Sistem identifikasi dapat dibangun dengan memanfaatkan teknologi melalui kecerdasan buatan (Artificial Intelligence). Berdasarkan masalah tersebut maka penelitian ini akan membangun sistem identifikasi jenis tanaman yang dilihat berdasarkan citra daun dengan tujuan sistem yang dibangun akurat dan menghasilkan akurasi yang tinggi sehingga dapat digunakan untuk pengenalan dan taksonomi jenis tanaman. Metode yang digunakan dalam penelitian ini adalah GLCM (Gray Level Co-Occurrence Matrix) untuk ektraksi ciri dan K-NN (K-Nearest Neighbor) untuk identifikasi. Tahapan penelitian ini terdiri dari Akuisisi Citra, Prepocessing, Proses Training dan Proses Testing. Tahapan Akuisisi Citra melakukan pembacaan citra yang telah dimasukan ke computer. Penlitian ini menggunakan 1200 data dari 20 jenis tanaman. Tahapan Prepocessing melakukan resize citra RGB kemudian dkonversi ke Graysacale. Tahap proses training melakukan ektraksi ciri dari citra untuk data training yang telah melalui prepocessing, ektraksi ciri dengan GLCM (Gray Level Co-Occurrence Matrix) dengan mengambil 4 fitur yaitu Entropy, Homogeneity, Energy dan Contrast dengan sudut 0o, 45o, 90o dan 135o. Setelah ciri citra data training didapat lalu akan disimpan didataabase. Tahapan proses testing melakukan ektraksi ciri citra data testing yang telah diprepocessing dengan metode GLCM (Gray Level Co-Occurrence Matrix) yang kemudian akan diidentifikasi dengan metode K-NN (K-Nearest Neighbor). Ciri citra data testing akan dibandingkan dengan ciri citra training. Hasil perbandingan akan digunakan untuk melihat performance system. Penelitian ini memperlihatkan bahwa dalam metode K-NN (K-Nearest Neighbor) penggunaan nilai ketetanggan k=1 menghasilkan akurasi terbaik sebesar 85.5 %.