PENERAPAN SELEKSI FITUR INFORMATION GAIN PADA KLASIFIKASI DAUN HERBAL MENGGUNAKAN METODE K-NEAREST NEIGHBOR

FAJRIANA, PUTRI (2023) PENERAPAN SELEKSI FITUR INFORMATION GAIN PADA KLASIFIKASI DAUN HERBAL MENGGUNAKAN METODE K-NEAREST NEIGHBOR. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (57kB)
	Text COVER.pdf Download (240kB)
	Text DAFTAR ISI.pdf Download (66kB)
	Text DAFTAR PUSTAKA.pdf Download (198kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (710kB)
	Text PENGESAHAN PENGUJI.pdf Download (561kB)
	Text SKRIPSI FULL_PUTRI FAJRIANA_123190110.pdf Restricted to Repository staff only Download (5MB)

Abstract

Klasifikasi daun herbal berbasis citra dilakukan berdasarkan fitur tekstur Local Binary
Pattern dan fitur bentuk Hu Moment kemudian diklasifikasikan menggunakan algoritma
KNN. Fitur bentuk pada daun dapat direpresentasikan secara numerik dengan menggunakan
Hu Moment, namun Hu Moment memiliki kelemahan ketika mengenali daun dari spesies
berbeda yang memiliki bentuk hampir sama. Oleh karena itu, LBP digunakan untuk
mengekstrak fitur tekstur pada daun. Dengan menggabungkan kedua fitur tersebut, akan
menghasilkan fitur yang lebih beragam dan memungkinkan sistem untuk melakukan
klasifikasi daun herbal dengan lebih akurat. Namun, penggabungan kedua fitur juga dapat
meningkatkan kompleksitas data dan berpengaruh terhadap kinerja algoritma KNN. Untuk
mengurangi kompleksitas tersebut, salah satu caranya yaitu dengan mengurangi dimensi
vektor.
Seleksi fitur merupakan teknik yang dapat digunakan untuk mengurangi dimensi
vektor dengan menghapus atribut yang kurang relevan. Salah satu metode seleksi fitur, yaitu
Information Gain, merupakan metode yang bekerja dengan cara melakukan pemeringkatan
fitur yang paling berpengaruh atau paling banyak memiliki informasi terhadap kelas tertentu.
Penggunaan seleksi fitur Information Gain dapat menghasilkan fitur yang paling relevan dan
mengurangi tingkat kompleksitas suatu algoritma klasifikasi serta menghasilkan interpretasi
model yang lebih baik.
Pengujian dilakukan berdasarkan confusion matrix untuk menghitung nilai akurasi dari
model klasifikasi daun herbal yang meliputi pengujian nilai k, kombinasi fitur, dan
penerapan seleksi fitur. Hasil pengujian menunjukkan akurasi yang berbeda-beda pada setiap
nilai k dan fitur yang digunakan. Pada pengujian tanpa menggunakan seleksi fitur, nilai
akurasi tertinggi yang didapat adalah ketika mengkombinasikan kedua fitur LBP dan Hu
Moment dengan nilai k=3, yaitu sebesar 89,58%. Sedangkan pada pengujian menggunakan
seleksi fitur, nilai akurasi tertinggi yang didapat adalah ketika menggabungkan kedua fitur
dan jumlah fitur yang digunakan sebanyak 14 fitur dengan nilai k=1, yaitu sebesar 90,83%.
Namun, jika penggunaan seleksi fitur hanya pada salah satu fitur LBP atau Hu Moment saja,
tidak meningkatkan akurasi bahkan dapat menghasilkan akurasi yang lebih rendah.
Kata kunci: Daun herbal, ekstraksi fitur, seleksi fitur, klasifikasi, Local Binary Pattern,
Invariant Hu Moments, Information Gain, K-Nearest Neighbor

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Daun herbal, ekstraksi fitur, seleksi fitur, klasifikasi, Local Binary Pattern, Invariant Hu Moments, Information Gain, K-Nearest Neighbor
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	13 Dec 2023 08:50
Last Modified:	13 Dec 2023 08:50
URI:	http://eprints.upnyk.ac.id/id/eprint/38341

Actions (login required)

View Item