KLASIFIKASI CITRA DAUN TUMBUHAN OBAT MENGGUNAKAN DETEKSI TEPI CANNY DAN METODE K-NEAREST NEIGHBOR (KNN)

HANI , CITA LESTARI (2023) KLASIFIKASI CITRA DAUN TUMBUHAN OBAT MENGGUNAKAN DETEKSI TEPI CANNY DAN METODE K-NEAREST NEIGHBOR (KNN). FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (18Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (2340Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1382Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Tumbuhan obat digunakan sejak lama dalam pengobatan tradisional di Indonesia. Bagian tumbuhan yang banyak dimanfaatkan sebagai obat adalah daun. Tumbuhan obat memiliki peranan penting dalam farmasi karena banyak obat modern berasal dari tumbuhan obat. Identifikasi tumbuhan obat sangat diperlukan untuk mencegah masalah kesehatan yang dapat terjadi akibat penggunaan tumbuhan obat yang tidak tepat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra daun tumbuhan obat menggunakan deteksi tepi canny dan metode KNN. Tiga jenis daun tumbuhan obat yang digunakan adalah Daun Binahong, Kejibeling dan Sirih. Dataset yang digunakan sebanyak 900 citra. Tahap preprocessing menggunakan metode scaling dan labeling. Tahap deteksi tepi menggunakan Canny. Citra hasil deteksi tepi diekstraksi berbagai nilai fitur yang relevan untuk mewakili tepi yang terdeteksi pada citra. Tahap klasifikasi menggunakan KNN dengan variasi nilai k=1 sampai k=10. K-Fold Cross Validation dilakukan untuk pengujian data dengan perbandingan 80:20. Model KNN dievaluasi menggunakan confusion matrix. Model KNN selanjutnya diimplementasikan ke dalam sistem web menggunakan framework Flask. Hasil penelitian menunjukkan akurasi tertinggi pada k=4 mencapai 81,33%. Ketiga kelas daun dapat dikenali dengan baik oleh sistem, namun kelas Kejibeling menunjukkan tingkat akurasi tertinggi. Kesalahan identifikasi terjadi karena fitur yang dihasilkan dari deteksi tepi Canny tidak selalu sempurna yang dapat mempengaruhi hasil klasifikasi. Kata kunci : deteksi tepi canny, KNN, tumbuhan obat, k-fold cross validation, confusion matrix, flask. Medicinal plants have been used in traditional medicine in Indonesia for a long time. The parts of plant that are widely utilized for medicinal purposes are leaves. Identification of medicinal plants is essential to prevent health issues that may arise due to the inappropriate use of these plants. This research aims to develop a image classification system for medicinal plants using Canny edge detection and KNN. Three types of leaves, namely Binahong, Kejibeling and Betel, are used in this study. The dataset consists of 900 images. Preprocessing involves scaling and labeling. Edge detection uses the Canny. Canny edge detection result is used to extract various relevant feature values to represent detected edges in each image. KNN classification was performed with various k values. K-Fold Cross Validation is conducted with an 80:20 data split ratio. KNN model is evaluated using confusion matrix. KNN model then implemented into a web-based system using Flask. This research results show that the highest accuracy at k=4 reaching 81.33%. All three classes can be well recognized by the system, with the Kejibeling class exhibiting the highest accuracy. Identification errors occur due to imperfect features generated from the Canny edge detection, which can affect the classification results. Keywords: Canny edge detection, KNN, medicinal plants, k-fold cross validation, confusion matrix, Flask.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer
Program Studi:	FAKULTAS MIPA > Prodi Ilmu Komputer
Pengguna Deposit:	2301429138 . Digilib
Date Deposited:	19 Aug 2023 05:00
Terakhir diubah:	19 Aug 2023 05:00
URI:	http://digilib.unila.ac.id/id/eprint/74983

Actions (login required)

Lihat Karya Akhir