KLASIFIKASI JENIS TANAMAN MONSTERA MENGGUNAKAN K NEAREST NEIGHBOR DAN METODE GRAY LEVEL CO OCCURRENCE MATRIX

Setyadi, Mohamad Rifqi (2025) KLASIFIKASI JENIS TANAMAN MONSTERA MENGGUNAKAN K NEAREST NEIGHBOR DAN METODE GRAY LEVEL CO OCCURRENCE MATRIX. Other thesis, UPN "Veteran" Yogyakarta.

	Text COVER.pdf Download (178kB)
	Text ABSTRAK.pdf Download (169kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (5MB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (5MB)
	Text DAFTAR ISI.pdf Download (22kB)
	Text DAFTAR PUSTAKA.pdf Download (154kB)
	Text MOHAMAD RIFQI SETYADI FULL SKRIPSI.pdf Restricted to Repository staff only Download (2MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis tanaman
Monstera, yaitu Monstera Adansonii, Acumi\nata, dan Borsigiana, dengan menggunakan
metode Gray Level Co-Occurrence Matrix (GLCM) untuk ekstraksi fitur tekstur serta
algoritma K-Nearest Neighbor (KNN) sebagai metode klasifikasi. Penelitian ini
dilatarbelakangi oleh kesulitan masyarakat umum dalam membedakan jenis tanaman
Monstera, yang biasanya hanya dapat dilakukan oleh ahli atau pembudidaya tanaman. Sistem
yang dikembangkan bertujuan untuk memberikan solusi praktis yang dapat digunakan secara
luas.
Dataset yang digunakan dalam penelitian ini terdiri dari 1.236 citra tanaman Monstera,
masing-masing jenis terdiri dari 412 citra. Seluruh dataset diperoleh secara primer melalui
pengambilan gambar menggunakan kamera iPhone Xr, dengan resolusi citra sebesar 512 x 512
piksel. Proses penelitian meliputi tahap preprocessing, ekstraksi fitur tekstur menggunakan
GLCM (Angular Second Moment, Contrast, Homogeneity, dan Correlation), serta klasifikasi
menggunakan algoritma KNN dengan berbagai nilai parameter k.
Hasil evaluasi sistem menunjukkan bahwa metode kombinasi GLCM dan KNN mampu
menghasilkan tingkat akurasi yang tinggi dalam membedakan tiga jenis tanaman Monstera.
Pengujian dilakukan menggunakan confusion matrix untuk menghitung akurasi, presisi, dan
recall. Nilai akurasi optimal dicapai pada parameter k tertentu, yang menunjukkan efektivitas
metode dalam menangani data citrssa tanaman.
Hasil dari penelitian ini adalah bahwa kombinasi metode GLCM dan KNN dapat
digunakan secara efektif untuk klasifikasi jenis tanaman Monstera. Hasil yang pertama tanpa
menggunakan background menghasilkan akurasi sebesar 96% dan pada hasil yang kedua
dengan menggunakan background menghasilkan akurasi sebesar 98%. Dari kedua hasil
tersebut menunjukkan bahwa klasifikasi berjalan dengan baik meskipun selisihnya tidak terlalu
signifikan
Kata kunci: Monstera, Gray Level Co-Occurrence Matrix (GLCM), K-Nearest Neighbor
(KNN), klasifikasi citra, analisis tekstur.

Item Type:	Thesis (Other)
Additional Information:	Mohamad Rifqi Setyadi (Penulis-123190149) ; Heriyanto (Pembimbing)
Uncontrolled Keywords:	Monstera, Gray Level Co-Occurrence Matrix (GLCM), K-Nearest Neighbor (KNN), klasifikasi citra, analisis tekstur.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	10 Jun 2025 03:01
Last Modified:	10 Jun 2025 03:01
URI:	http://eprints.upnyk.ac.id/id/eprint/42691

Actions (login required)

View Item