<> "The repository administrator has not yet configured an RDF license."^^ . <> . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n"^^ . "ABSTRACT\r\nTHE IDENTIFICATION OF BUTTERFLY USING EXTRACTION OF \r\nGRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) FEATURES AND \r\nCLASSIFICATION OF K-NEAREST NEIGHBOR (KNN)\r\nBy\r\nDEVI MAHARANI\r\nGita Persada Butterfly Park, the only breeding of in situ butterflies engineered in \r\nIndonesia, located in Lampung, which has approximately 211 species of butterflies \r\nthat are bred. Butterflies have a different texture on wings in each species. The \r\nlimited ability of the human eye inside distinguishing typical textures from butterfly \r\nspecies is the reason for making pattern recognition based on butterfly \r\nidentification. The dataset contains 600 the images of the butterfly upper side wing \r\nfrom six species: Centhosia penthesilea, Papilio memnon, Papilio nephelus, \r\nPachliopta aristolochiae, Papilio peranthus, and Troides helena. The preprocessing stage is done using the method of scaling, segmentation, and grayscale. \r\nThe GLCM method is used to recognize the characteristics of a butterfly image \r\nusing pixel distance (d) = 1 and direction 0\r\no\r\n, 45\r\no\r\n, 90\r\no\r\n, and 135\r\no\r\n. The features used \r\nis angular second moment, contrast, homogeneity, and correlation. KNN \r\nclassification method in this study using the values of k = 1, 3, 5, 7, 9, 11, 13, 15, \r\nDevi Maharani\r\n17, 19, 21, and 23. Centhosia penthesilea and Papilio nephelus class can be \r\nclassified properly compared to the other 4 classes and required a classification time \r\nof 2 seconds at each orientation angle. The highest accuracy is 91.1% with a value \r\nof k = 5 in the direction of angle 90\r\no\r\n. Classification errors occurred because the \r\nvalue of the test data features more dominant to the value of the training image \r\nfeatures in different classes than the supposed class and there are imperfect test data.\r\nKeywords: butterflies, Gita Persada, GLCM, KNN, Lampung, pattern recognition \r\n\r\nTaman Kupu-Kupu Gita Persada merupakan satu-satunya penangkaran kupu-kupu \r\nin situ rekayasa di Indonesia yang berada di Lampung terdapat kurang lebih 211 \r\nspesies kupu-kupu yang dikembangbiakkan. Kupu-kupu memiliki tekstur yang \r\nberbeda pada sayapnya disetiap spesies kupu-kupu. Terbatasnya kemampuan mata \r\nmanusia dalam membedakan tekstur yang khas pada spesies kupu-kupu menjadi \r\nalasan dalam membuat identifikasi kupu-kupu berbasis pengenalan pola. Dataset \r\nberjumlah 600 citra kupu-kupu sisi sayap bagian atas terdiri dari 6 spesies kupukupu yaitu Centhosia penthesilea, Papilio memnon, Papilio nephelus, Pachliopta \r\naristolochiae, Papilio peranthus, dan Troides helena. Tahap preprocessing \r\ndilakukan dengan menggunakan metode scaling, segmentation dan grayscale. \r\nMetode GLCM digunakan untuk mengenali ciri dari citra kupu-kupu dengan \r\nmenggunakan jarak piksel (d) = 1 dan arah sudut 0\r\no\r\n, 45\r\no\r\n, 90\r\no \r\ndan 135\r\no\r\n. Fitur yang \r\ndigunakan yaitu angular second moment, contrast, homogeneity dan correlation. \r\nDevi Maharani\r\nMetode klasifikasi KNN pada penelitian ini menggunakan nilai k = 1, 3, 5, 7, 9, 11, \r\n13, 15, 17, 19, 21 dan 23. Kelas Centhosia penthesilea dan Papilio nephelus dapat \r\ndiklasifikasi dengan baik dibandingkan dengan 4 kelas lainnya dan membutuhkan \r\nwaktu klasifikasi sebesar 2 detik pada setiap sudut orientasi. Akurasi tertinggi \r\nsebesar 91,1% dengan nilai k = 5 pada arah sudut 90\r\no\r\n. Kesalahan klasifikasi terjadi \r\ndikarenakan nilai fitur citra uji lebih dominan dengan nilai fitur citra latih pada kelas \r\nyang berbeda dibandingkan dengan kelas yang seharusnya dan terdapat data uji \r\nyang tidak sempurna.\r\nKata kunci : Gita Persada, GLCM, KNN, kupu-kupu, Lampung, pengenalan pola "^^ . "2019" . . . . . "FAKULTAS MIPA"^^ . . . . . . . "1517051182"^^ . "DEVI MAHARANI"^^ . "1517051182 DEVI MAHARANI"^^ . . . . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (File PDF)"^^ . . . "ABSTRAK (ABSTRACT).pdf"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (File PDF)"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (File PDF)"^^ . . . "SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "preview.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "preview.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "medium.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "small.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "medium.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "small.jpg"^^ . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . . "IDENTIFIKASI KUPU-KUPU MENGGUNAKAN \r\nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \r\nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)\r\n (Other)"^^ . . . . . "HTML Summary of #57775 \n\nIDENTIFIKASI KUPU-KUPU MENGGUNAKAN \nEKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) \nDAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN) \n\n\n" . "text/html" . . . "005 Pemrograman komputer, program dan data" . .