Akurasi Klasifikasi Citra Digital Scenes RGB Menggunakan Model K-Nearest Neighbor dan Naive Bayes
| Main Authors: | Saraswita, Elza Fitriana, Sukemi, Sukemi |
|---|---|
| Format: | Article info application/pdf Proceeding |
| Bahasa: | eng |
| Terbitan: |
Annual Research Seminar (ARS)
, 2020
|
| Subjects: | |
| Online Access: |
http://seminar.ilkom.unsri.ac.id/index.php/ars/article/view/2131 http://seminar.ilkom.unsri.ac.id/index.php/ars/article/view/2131/1026 |
Daftar Isi:
- Gambar citra digital merupakan larik (array) yang berisi nilai kompleks dengan bit tertentu yang dapat dihitung secara matetmatis. Pada penelitian ini ada dua metode yang digunakan untuk membandingkan hasil akurasi klasifikasi citra digital RGB yaitu dengan metode Naive Bayes dan K-Nearest Neighbor (KNN). Metode klasifikasi Naive Bayes berdasarkan perhitungan matematika probabilitas yang sederhana dan metode klasifikasi K-Nearest Neighbor (KNN) berdasarkan pada perhitungan kedekatan atau K. Kedua metode tersebut diberikan data set digital citra scenes RGB yang sama untuk proses pengelompokan dan pengklasifikasian selanjutnya data akan dilatih dan diuji untuk mendapatkan hasil akurasi. Berdasarkan klasifikasi data set citra digital RGB menggunakan metode K-Nearest Neighbor memiliki tingkat akurasi lebih besar dari metode Naive Bayes. Metode pemrosesan data citra digital menghasilkan Naive Bayes dengan akurasi yang diperoleh adalah sebesar 66% dan metode K- Nearest Neighbor yang diperoleh adalah dengan akurasi 76%. Dari analisis ini dapat disimpulkan bahwa metode K-Nearest Neighbor bekerja lebih baik dibandingkan dengan Naive Bayes untuk data citra digital RGB.