IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR DALAM PENGIDENTIFIKASIAN JENIS TANAMAN HIAS ANGGREK LANGKA YANG DILINDUNGI MENGGUNAKAN MODEL HSV

ABRAHAMUSA, ANDREAS (2022) IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR DALAM PENGIDENTIFIKASIAN JENIS TANAMAN HIAS ANGGREK LANGKA YANG DILINDUNGI MENGGUNAKAN MODEL HSV. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text COVER.pdf Download (225kB)
	Text DAFTAR ISI.pdf Download (25kB)
	Text ABSTRAK.pdf Download (9kB)
	Text DAFTAR PUSTAKA.pdf Download (113kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (282kB)
	Text SKRIPSI FULL_Andreas Abrahamusa_123150038.pdf Restricted to Repository staff only Download (2MB)

Abstract

Bunga anggrek merupakan salah satu jenis bunga yang termasuk kedalam tanaman
hias yang paling banyak dibudidayakan, satu jenis bunga anggrek dapat memiliki ciri berupa
bentuk dan warna yang berbeda-beda, sehingga dapat membuat masyarakat kesulitan untuk
dapat mengetahui dan membedakan jenis dari bunga anggrek tersebut. Banyak spesies
anggrek yang semakin langka bahkan disinyalir punah diakibatkan oleh malaknya
pembalakan liar, kebakaran hutan dan aksi perburuan oleh para penggemar anggrek.
Sesuai dengan Peraturan Pemerintah No. 7 Tahun 1999 tentang Pengawetan
Tumbuhan dan Satwa, maka masyarakat perlu mengetahui bahwa terdapat 29 jenis-jenis
anggrek yang dilindungi oleh pemerintah. Sistem pengidentifikasian citra tanaman anggrek
bergerak dengan cara membandingkan data citra latih dengan data citra uji. Data citra uji
akan diidentifikasi menggunakan metode K-Nearest Neighbor dengan cara menghitung
jarak terdekat antara citra latih dan citra uji setiap pixelnya. Cara kerja ekstraksi ciri warna
HSV (hue, saturation, value) adalah dengan mengkonversi nilai RGB (red, green, blue) tiap
pixel menjadi HSV (hue, saturation, value).
Setelah mendapat nilai HSV maka proses selanjutnya yaitu identifikasi
menggunakan KNN dengan menggunakan 348 data latih dan 87 data uji dengan tingkat
akurasi mencapai 90%.
Kata Kunci : Data Mining; Decision Tree; Algoritme C5.0; Prediksi; Klasifikasi; Mobile
Legends.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Data Mining; Decision Tree; Algoritme C5.0; Prediksi; Klasifikasi; Mobile Legends.
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	20 Sep 2022 04:51
Last Modified:	20 Sep 2022 04:51
URI:	http://eprints.upnyk.ac.id/id/eprint/30976

Actions (login required)

View Item