Perbandingan Algoritma KNN dan SVM untuk Deteksi Warna pada Gambar dalam Mendukung Aksesibilitas Penyandang Buta Warna

Syifa Nur Ramadhani, . (2026) Perbandingan Algoritma KNN dan SVM untuk Deteksi Warna pada Gambar dalam Mendukung Aksesibilitas Penyandang Buta Warna. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text (Cover) cover.pdf Download (102kB)
	Text (Abstrak) Abstrak.pdf Download (143kB)
	Text (Halaman Pengesahan) Halaman Pengesehan Pembimbing Penguji.pdf Download (376kB)
	Text (Daftar Isi) Daftar isi.pdf Download (191kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf Download (142kB)
	Text (Tugas Akhir Full Text) Naskah TA SKRIPSI.pdf Restricted to Repository staff only Download (7MB)

Abstract

Warna merupakan elemen penting bagi manusia dalam melakukan aktifitas sehari-hari, mulai dari mengenali objek hingga memahami informasi visual. Namun, tidak semua manusia mampu membedakan warna karena gangguan dalam persepsi penglihatan warna yang disebut buta warna. Pengembangan model berbasis teknologi untuk mendeteksi warna ke dalam bentuk informasi lain seperti teks menjadi sangat penting dalam mendukung aksesibilitas penyandang buta warna. Penelitian sebelumnya umumnya menggunakan algoritma K-Nearest Neighbor (KNN) dengan fitur warna RGB, namun pendekatan tersebut masih memiliki kelemahan, terutama sensitivitas terhadap variasi kondisi pencahayaan. Selain itu, belum ada penelitian yang secara komprehensif membandingkan algoritma KNN dan Support Vector Machine (SVM) dalam konteks deteksi warna berbasis citra digital dengan mempertimbangkan ketahanan terhadap perubahan pencahayaan dan efisiensi komputasi. Oleh karena itu, penelitian ini dilakukan untuk menganalisis dan membandingkan performa algoritma KNN dan SVM dalam sistem deteksi warna yang mendukung aksesibilitas bagi penyandang buta warna. Metode penelitian yang digunakan adalah metode kuantitatif dengan pendekatan eksperimen komparatif dengan menerapkan algoritma KNN dan SVM untuk klasifikasi warna berbasis citra. Dataset yang digunakan berupa citra berwarna dari sebelas kelas warna, yaitu abu-abu, biru, coklat, hijau, hitam, kuning, merah, oranye, pink, putih, dan ungu, dengan ekstraksi fitur warna menggunakan kombinasi RGB dan HSV. Hasil pengujian menunjukkan bahwa algoritma SVM memperoleh nilai overall accuracy sebesar 0,9004, sedangkan algoritma KNN memperoleh nilai akurasi sebesar 0,8964, sehingga SVM menunjukkan akurasi klasifikasi yang sedikit lebih tinggi dalam mendeteksi warna dominan pada citra. Pada evaluasi berdasarkan kondisi pencahayaan, KNN mencapai akurasi tertinggi pada kondisi terang sebesar 0,921, sementara SVM memperoleh akurasi 0,886. Pada kondisi pencahayaan medium, SVM dan KNN menunjukkan performa yang setara dengan nilai akurasi masing-masing sebesar 0,901. Namun, pada kondisi pencahayaan gelap, SVM menunjukkan keunggulan yang signifikan dengan akurasi sebesar 0,95, sedangkan KNN hanya mencapai 0,80, yang menunjukkan bahwa SVM lebih robust terhadap variasi pencahayaan rendah. Dari sisi efisiensi waktu komputasi, algoritma SVM memiliki latensi prediksi per citra yang lebih rendah, yaitu sebesar 111,71 ms, dibandingkan algoritma KNN yang mencapai 361,3 ms, sehingga lebih sesuai untuk kebutuhan sistem real-time. Namun, pada pengujian throughput secara batch, algoritma KNN menunjukkan kinerja yang lebih tinggi dengan kecepatan pemrosesan sebesar 16.334,20 gambar per detik, sedangkan SVM hanya mencapai 7.454,10 gambar per detik.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Syifa Nur Ramadhani (Penulis - 123220194) Wilis Kaswidjanti (Pembimbing)
Uncontrolled Keywords:	Deteksi Wara, Buta Warna, K-Nearest Neighbor, Support Vector Machine, RGB, HSV
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	18 Feb 2026 07:03
Last Modified:	18 Feb 2026 07:03
URI:	http://eprints.upnyk.ac.id/id/eprint/47076

Actions (login required)

View Item