Pengolahan citra digital untuk menentukan jenis bunga mawar menggunakan metode K-nearest neighbor (knn)
| Main Author: | Prayogo, Sandi |
|---|---|
| Format: | Bachelors NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2022
|
| Subjects: | |
| Online Access: |
http://eprints.umk.ac.id/17631/1/Hal.%20Judul.pdf http://eprints.umk.ac.id/17631/2/Bab%20I.pdf http://eprints.umk.ac.id/17631/3/Bab%20II.pdf http://eprints.umk.ac.id/17631/4/Bab%20III.pdf http://eprints.umk.ac.id/17631/5/Bab%20IV.pdf http://eprints.umk.ac.id/17631/6/Bab%20V.pdf http://eprints.umk.ac.id/17631/7/Daftar%20Pustaka.pdf http://eprints.umk.ac.id/17631/8/Lampiran.pdf http://eprints.umk.ac.id/17631/ |
Daftar Isi:
- Saat ini bunga mawar merupakan tanaman hias jenis bunga yang banyak digemari oleh banyak orang, karena keindahan warnanya yang cantik dan bentuknya yang indah. Banyak ragam jenis pada bunga mawar yang ada serta memiliki kemiripan di setiap ragamnya, sehingga membuat pecinta tanaman khususnya para pecinta bunga mawar dan pembudi daya bunga mawar kesulitan dalam membedakan untuk menentukan jenis bunga mawar, diperlukan waktu yang cukup lama dan ketelitian jika hanya mengandalkan panca indera saja untuk dapat mengetahui jenis bunga mawar tersebut. Untuk mengatasi permasalahan tersebut, pada penelitian ini penulis membuat aplikasi pengolahan citra digital yang bisa digunakan untuk melakukan identifikasi dan pengelompokan terhadap klasifikasi jenis bunga mawar. Dalam perancangan program aplikasi menggunakan sebuah metode algoritma K-Nearest Neighbor (KNN) dimana sebuah metode yang melakukan klasifikasi terhadap objek berdasarkan data pembelajaran paling dekat dengan objek tersebut. Penerapan algoritma K-Nearest Neighbor (KNN) serta ekstraksi ciri warna (HSV) dan ekstraksi ciri tekstur (GLCM) akan sangat membantu untuk mengidentifikasi bunga mawar menjadi lebih mudah dan lebih mempersingkat waktu. Penelitian ini menggunakan metode pengujian confusion matrix dengan hasil yang telah didapatkan yaitu akurasi sebesar 92%, presisi sebesar 93% dan recall sebesar 92%.