Identifikasi Varietas Jagung Mutiara Berdasarkan Data Citra Digital Menggunakan Algoritma K-Nearest Neighbor
Abstract
Jagung adalah salah satu tanaman pangan penghasil karbohidrat yang penting di Indonesia selain padi dan gandum. Di Indonesia sendiri setiap tahun dapat menghasilkan jumlah jagung yang sangat banyak. Terbukti pada tahun 2017 indonesia dapat memproduksi jagung sebanyak 22.59 juta ton. Jumlah ini sangat berarti bagi perekonomian di Indonesia. Salah satu jagung yang paling banyak ditanam di Indonesia adalah jagung mutiara. Namun, cukup sulit untuk membedakan setiap viarietas jagung karena bentuk dan warna cenderung sama. Salah satu untuk mengetahui suatu varietas jagung, ialah dengan melakukan klasifikasi varietas jagung dengan memanfaatkan data hasil pengolahan citra setiap jagung. Salah satu metode klasifikasi yang digunakan ialah K-NN. Setiap citra jagung diambil nilai area, parimeter, width, length, metric dan eccentricity menggunakan aplikasi Matlab guna mengetahui bentuk dari suatu jagung, lalu dikumpulkan sebanyak 250 data. Data yang telah dikumpulkan dibagi berdasarkan rasio perbandingan 70% data latih 30% data uji dan menerapkan nilai k yaitu 3, 5 dan 7. Proses klasifikasi menggunakan aplikasi Rstudio berbasis cloud. Hasil penelitian yang didapat, diketahui bahwa pengujian pada k = 3 mendapatkan nilai akurasi tertiggi dibandingkan nilai k yang lain. Akurasi yang didapat yakni sebesar 93.24% diikuti recall 91.89% precision 94.44% specificity 94.59% error rate 6.76% dan f-measure 0.9315.
Kata Kunci: Jagung, K-Nearest Neighbor, Pengolahan Citra Digital, Ekstrasi Ciri, Rstudio
References
K. Kementerian Pertanian Republik Indonesia, “Rencana Strategis Kementerian Pertanian 2020-2024,” Rencana Strategis Kementerian Pertanian 2020-2024, vol. 7, no. 2. pp. 1–16, 2020.
Kementerian Pertanian, Rencana Strategis Kementerian Pertanian 2015-2019 : Edisi Revisi. 2016.
Subairi, Rahmadwati, and E. Yudaningtyas, “Implementasi Metode k-Nearest Neighbor pada Pengenalan Pola Tekstur Citra Saliva untuk Deteksi Ovulasi,” J. EECCIS, vol. 12, no. 1, pp. 9–14, 2018.
S. R. Sulistiyanti, F. A. Setyawan, and M. Komarudin, Pengolahan Citra Dasar dan Contoh Penerapannya. Yogyakarta: TEKNOSAIN, 2016.
A. A. I. Wiratmaka, I. F. Rozi, and R. A. Asmara, “Klasifikasi Kualitas Tanaman Cabai Menggunakan Metode Fuzzy K-Nearest Neighbor (Fknn),” J. Inform. Polinema, vol. 3, no. 3, pp. 1–5, 2017.
Y. F. Rachman, Kusrini, and H. Al Fatta, “Klasifikasi Citra Digitalretina Penderita Diabetes Retinopati Menggunakan Metode Euclidean,” J. Comput. Inf. Technol., vol. 3, no. 2, pp. 75–82, 2020.
Rusli and M. Nasir, “Klasifikasi Jenis Mangga Berdasarkan Bentuk Daun Menggunakan Metode K-Nearest Neighbor,” J. Infomedia, vol. 3, no. 2, pp. 87–91, 2018.
A. S. Hassoon and L. F. Jalil, “Classification of Iraqi Anber Rice by Using Image Processing and KNN Algorithm,” Iraqi J. Sci., vol. 58, no. 2A, pp. 716–725, 2017.
M. Orisa and T. Hidayat, “Analisis Teknik Segmentasi Pada Pengolahan Citra,” J. Mnemon., vol. 2, no. 2, pp. 9–13, 2019.
A. R. Ginanjar, “Penggabungan Ciri Tekstur dan Geometri Citra Untuk Identifikasi Tumbuhan Obat Berbasisi Mobile,” 2015.
P. N. Andono, T. Sutojo, and Muljono, Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI, 2017.
R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbor,” J. ISD, vol. 3, no. 1, pp. 44–49, 2018.
S. D. Nugraha, R. R. M. Putri, and R. C. Wihandika, “Penerapan Fuzzy K-Nearest Neighbor (FK-NN) Dalam Menentukan Status Gizi Balita,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 925–932, 2017.
D. T. Larose, DISCOVERING KNOWLEDGE IN DATA : An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc., 2005.
J. Han, M. Kamber, and J. Pei, DATA MINING : Concepts and Techniques, Third Edit. USA: Elsevier Inc., 2012.
M. Hossin and M. N. Sulaiman, “A Review on Evaluation Metrics for Data Classification Evaluations,” Int. J. Data Min. Knowl. Manag. Process, vol. 5, no. 2, pp. 1–11, 2015.
