Klasifikasi Daun Bugenvil Menggunakan Gray Level Co-Occurrence Matrix Dan K-Nearest Neighbor
Abstract
Penelitian ini dilakukan untuk mengklasifikasikan tanaman bugenvil berdasarkan tekstur daun menggunakan metode ekstraksi fitur yaitu Gray Level Co-occurrence Matrix dengan empat fitur ekstraksi diantaranya: energy, correlation, contrast dan homogeneity). Pada proses pengklasifikasian tanaman bugenvil menggunakan metode K-Nearset Neighbor dengan jarak euclidean distance (nilai ketetanggaan) untuk mengetahui, mengelompokkan atau mengidentifikasi tekstur daun sesuai dengan jenisnya.
pada penelitian klasifikasi daun bugenvil menggunakan Gray Level Co-occurrence Matrix dan K-Nearest Neighbor hasil akurasi yang didapat cukup tinggi yaitu 87% pada nilai ketetanggaan K = 3, K = 5, K = 7, K = 9 dan 75% pada nilai ketetanggaan K = 1.
Full Text:
PDFReferences
Andrian. 2019. Perancangan Perangkat Lunak Kompresi Citra Menggunakan Transformasi Wavelet dan PCA. In S. dan Y. Ramadhan (Ed.), Algoritma: Jurnal Ilmu Komputer dan Informatika (Vol. 03, pp. 1–8). Retrieved from http://jurnal.uinsu.ac.id/index.php/algoritma/article/view/4430/pdf
Anggani, dan Sri. 2013. Berkreasi dengan Bugenvil. Jakarta: Gramedia Pustaka Utama.
Chairy, A. 2017. Pengenalan Tekstur Pahatan pada Citra Prasasti Menggunakan Backpropagation. Thesis. Institut Teknologi Sepuluh November.
Jogiyanto. 2007. Analisis dan Desain Sistem Informasi. Yogyakarta: Andi.
Kadir, Abdul, dan Susanto, A. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Penerbit Andi.
Khairunnisa. 2017. Ekstraksi Ciri Kontur Citra Buah Markisa Menggunakan Metode Statistik Orde Pertama. Skripsi. Politeknik Negeri Samarinda.
Murinto, dan Permadi, Y. 2015. Aplikasi Pengolahan Citra untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik. 9(1), 1028–1038.
Naufal, dan Adib, M. 2017. Implementasi Metode Klasifikasi K-Nearest Neighbor (K-Nn) Untuk Pengenalan Pola Batik Motif Lampung. 1–46.
Putri, dan Rahayu. 2019. Metode Grayscale Co-occurrence Matrix ( GLCM ) Untuk Klasifikasi Jenis Daun Jambu Air Menggunakan Algoritma Neural Network. Journal of Information Technology, 01(01), 15–22.
Sriani, dan Ikhsan, M. 2016. Implementasi Kompresi Citra Digital Menggunakan Algoritma Wavelet. 258–266.
Sriani, Triase, dan Khairuna. 2017. Pendekomposisian Citra Digital dengan Algoritma DWT. 01(01), 35–39.
Sumarlin. 2015. Implementasi Algoritma K-Nearest Neighbor Sebagai Pendukung Keputusan Klasifikasi Penerima Beasiswa PPA dan BBM. Jurnal Sistem Informasi Bisnis, 5(1), 52–62. https://doi.org/10.21456/vol5iss1pp52-62
Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O. D., dan Wijanarto. 2009. Teori Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.
Widiarsono, T. 2005. Tutorial Praktis Belajar MATLAB. Jakarta.
Yunita, A. S., Chastine, F., dan Kartika, D. R. 2014. Seleksi Fitur Menggunakan Ekstraksi Fitur Bentuk, Warna, dan Tekstur dalam Sistem Temu Kembali Citra Daun. 12(1), 1–8. https://doi.org/10.12962/j24068535.v12i1.a39
Zhou, H., Wu, J., and Zhang, J. 2014. Digital Image Processing: Part I (1st ed.). Retrieved from https://bookboon.com/en/digital-image-processing-part-one-ebook
Zilvanhisna Emka Fitri. 2017. Klasifikasi Trombosit Pada Citra Hapusan Darah Tepi Berdasarkan Tingkat Kelabu Co-Occurrence Matrix Menggunakan Backpropagation. Retrieved from http://repository.its.ac.id/id/eprint/42887
DOI: http://dx.doi.org/10.24014/coreit.v6i1.9296
Refbacks
- There are currently no refbacks.
 | |  |
| Jurnal CoreIT by http://ejournal.uin-suska.ac.id/index.php/coreit/ is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. | ||