KLASIFIKASI BATUAN SEDIMEN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) DAN GRAY LEVEL CO�OCCURRENCE MATRIX (GLCM)

Adhiyasa, Yerry Nur Agni (2024) KLASIFIKASI BATUAN SEDIMEN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) DAN GRAY LEVEL CO�OCCURRENCE MATRIX (GLCM). Other thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (115kB)
	Text ABSTRAK.pdf Download (14kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (619kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (698kB)
	Text DAFTAR ISI.pdf Download (105kB)
	Text DAFTAR PUSTAKA.pdf Download (123kB)
	Text YERRY NUR AGNI ADHIYASA FULL SKRIPSI.pdf Restricted to Repository staff only Download (2MB)

Abstract

Batuan adalah material padat yang menyusun kerak bumi, terdiri dari mineral
yang secara alami mengalami kristalisasi. Salah satu jenis batuan yang ada di bumi
adalah batuan Sedimen. Batuan Sedimen terbentuk dari pelapukan batuan beku yang
mengendap pada cekungan yang terbawa oleh air. Beberapa jenis batuan Sedimen
memilih ciri, karakter, dan tekstur yang hampir mirip dengan batuan lainnya. Sehingga
dengan demikian perancangan sistem yang dapat mengklasifikasi secara tepat
dibutuhkan. Pada penelitian ini akan dibuat sistem yang menggunakan ekstraksi fitur
GLCM dan RGB dengan metode K-Nearest-Neighbor untuk klasifikasi batuan
Sedimen.
K-Nearest Neighbor (KNN) adalah metode klasifikasi dalam supervised learning
yang mengklasifikasikan data berdasarkan ciri dari data training dan menentukan
hasilnya berdasarkan jumlah tetangga terdekat. KNN mampu melakukan klasifikasi
objek dengan baik, dan kinerjanya akan baik jika data yang digunakan sebagai data
training kualitasnya baik juga. Penggunaan fitur RGB dan GLCM dalam klasifikasi
dinilai efektif karena tiap batuan memiliki warna mencolok dan tekstur dari batuan
yang berbeda.
Hasil dari penerapan ekstraksi fitur GLCM dan RGB beserta metode klasifikasi
KNN dibagi menjadi dua. Hasil yang pertama klasifikasi KNN dengan RGB dan fitur
GLCM tanpa nilai ASM, mendapatkan tingkat akurasi 82,6%. Sedangkan yang kedua
klasifikasi KNN dengan nilai-nilai fitur GLCM secara keseluruhan yang meliputi
Energy, Dissimilarity, Correlation. Contrast, Homogeneity, dan ASM mendapatkan
akurasi yang lebih baik yakni 84%. Dari kedua hasil tersebut dapat diketahui bahwa
penggunaan nilai GLCM secara utuh menghasilkan tingkat akurasi yang lebih baik
meskipun selisihnya tidak terlalu signifikan.
Kata Kunci: KNN, GLCM, RGB, Batuan Sedimen

Item Type:	Thesis (Other)
Uncontrolled Keywords:	KNN, GLCM, RGB, Batuan Sedimen
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Pambudi
Date Deposited:	23 Dec 2024 01:15
Last Modified:	23 Dec 2024 01:15
URI:	http://eprints.upnyk.ac.id/id/eprint/41894

Actions (login required)

View Item