KLASIFIKASI JENIS BUAH BERDASARKAN FITUR WARNA, TEKSTUR DAN BENTUK DARI CITRA DENGAN METODE K-NEAREST NEIGHBOR

Azman, Moh. Afis (2021) KLASIFIKASI JENIS BUAH BERDASARKAN FITUR WARNA, TEKSTUR DAN BENTUK DARI CITRA DENGAN METODE K-NEAREST NEIGHBOR. Other thesis, Universitas Islam Lamongan.

	Text 111710079-MOH AFIS AZMAN - cover.pdf Download (91kB)
	Text 111710079-MOH AFIS AZMAN - daftar isi.pdf Download (114kB)
	Text 111710079-MOH AFIS AZMAN - abstrak.pdf Download (149kB)
	Text 111710079-MOH AFIS AZMAN - bab i.pdf Download (169kB)
	Text 111710079-MOH AFIS AZMAN - bab ii.pdf Download (334kB)
	Text 111710079-MOH AFIS AZMAN - bab iii.pdf Restricted to Repository staff only Download (298kB)
	Text 111710079-MOH AFIS AZMAN - bab iv.pdf Restricted to Repository staff only Download (478kB)
	Text 111710079-MOH AFIS AZMAN - bab v.pdf Restricted to Repository staff only Download (525kB)
	Text 111710079-MOH AFIS AZMAN - bab vi.pdf Restricted to Repository staff only Download (160kB)
	Text 111710079-MOH AFIS AZMAN - daftar pustaka.pdf Restricted to Repository staff only Download (86kB)

Abstract

Klasifikasi jenis buah merupakan pekerjaan yang membutuhkan waktu, ilmu dan pengetahuan. Klasifikasi pengenalan buah secara otomatis saat ini dapat diterapkan pada penjualan di supermarket. Maka dalam penelitian ini perlu membuat suatu klasifikasi untuk mengimplementasikan dan pengujian untuk mendapatkan nilai akurasi dari metode K-Nearest Neighbors (KNN) untuk mengklasifikasi jenis buah berdasarkan fitur warna, tekstur, dan bentuk dari citra. Jenis buah yang digunakan untuk data uji adalah Apel, Anggur, Jeruk, Mangga, dan Strawberry Pada penelitian ini diciptakan metode K-Nearest Neighbor dengan menggunakan fitur warna menggunakan nilai rata-rata R, G, B, nilai skewness R, G, B. Fitur tekstur menggunakan GLCM (contrast, correlation, energy, homogeneity), dan entropy. Fitur bentuk menggunakan mayor axis, minor axis, perimeter, area. Pada penelitian ini menggunakan dataset yang berjumlah 2.750 data citra yang terbagi menjadi 2.500 data training dan 250 data testing. Dari hasil pengujian K1 mendapatkan hasil nilai akurasi sebesar 99.6%, untuk K2 sama K3 mendapatkan nilai hasil akurasi yang sama yaitu sebesar 73.6%, untuk K4 mendapatkan nilai hasil akurasi sebesar 72.0%, untuk K5 dan K6 mendapatkan nilai hasil akurasi yang sama yaitu sebesar 69.2%, untuk K7 mendapatkan nilai sebesar 65.6%, untuk K8 mendapatkan nilai sebesar 67.2%, sedangkan untuk K9 mendapatkan nilai sebesar 66.4%, dan yang terakhir K10 mendapatkan nilai hasil akurasi sebesar 64.4%. maka hasil akurasi yang paling tinggi didapatkan dari K1 = 99.6% dengan menggunakan metode KNN (K-Nearest Neighbor).

Item Type:	Thesis (Other)
Subjects:	T Technology > T Technology (General)
Divisions:	FAKULTAS TEKNIK > PRODI TEKNIK INFORMATIKA
Depositing User:	Perpus admin UNISLA
Date Deposited:	07 Feb 2022 05:52
Last Modified:	07 Feb 2022 05:52
URI:	http://eprints.unisla.ac.id/id/eprint/129

Actions (login required)

View Item