Integrasi KNN, GLCM dan HSV untuk Meningkatkan Klasifikasi Buah Jeruk

Tegar Arifin Prasetyo; Rudy Chandra; Immanuel Siahaan; Maruli Tua Siagian; Dian Esra Vitania Hasibuan

doi:10.33005/senada.v4i1.417

Tegar Arifin Prasetyo Departemen Teknologi Informasi, Institut Teknologi Del
Rudy Chandra Departemen Teknologi Informasi, Institut Teknologi Del
Immanuel Siahaan Departemen Teknologi Informasi, Institut Teknologi Del
Maruli Tua Siagian Departemen Teknologi Informasi, Institut Teknologi Del
Dian Esra Vitania Hasibuan Departemen Teknologi Informasi, Institut Teknologi Del

DOI: https://doi.org/10.33005/senada.v4i1.417

Keywords: Jeruk, Klasifikasi, K-Nearest Neighbor, Hue Saturation Value, Gray Level Cooccurrence Matrix

Abstract

Jeruk (Citrus sp) merupakan salah satu hasil pertanian. Berdasarkan data dari Badan Pusat Statistik (BPS), produksi buah jeruk mengalami penurunan dari tahun 2020 ke 2021 sebesar 2,2 juta. Salah satu faktor yang menyebabkan produksi jeruk menurun dikarenakan serangan penyakit yang dapat menurunkan produktivitas serta kuantitas dan kualitas hasil pertanian, dan memperburuk varietas, dan stabilitas hasil. Untuk mengatasi permasalahan tersebut, penelitian ini membangun web interface untuk mengklasifikasi jenis penyakit buah jeruk yang diharapkan dapat membantu petani maupun masyarakat untuk mengetahui jenis penyakit serta cara pengendalian yang efektif. Penelitian ini menggunakan algoritma K-Nearest Neighbor (KNN) dengan menggunakan ekstraksi ciri warna Hue, Saturation, dan Value (HSV) dan ekstraksi tekstur Gray Level Cooccurrence Matrix (GLCM). Pada penelitian ini mengklasifikasi 4 jenis kategori yaitu blackspot, grenning, canker dan fresh. Dataset yang digunakan sebanyak 800 data dengan masing-masing kategori memiliki 200 data. Penelitian ini melakukan percobaan untuk menguji model dengan menggunakan k=1, k=3 dan k=5. Setelah diperoleh hasil dari percobaan k, hasil akurasi tertinggi terdapat pada k=1 sebesar 89%.

Downloads

Download data is not yet available.