title: KLASIFIKASI CITRA DAUN TUMBUHAN OBAT MENGGUNAKAN  DETEKSI TEPI CANNY DAN METODE K-NEAREST NEIGHBOR (KNN)
creator: HANI , CITA LESTARI 
subject: 000 Ilmu komputer, informasi dan pekerjaan umum
subject: 004 Pemrosesan data dan ilmu komputer
description: 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.
publisher: FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
date: 2023-08-02
type: Skripsi
type: NonPeerReviewed
format: text
identifier: http://digilib.unila.ac.id/74983/1/ABSTRAK.pdf
format: text
identifier: http://digilib.unila.ac.id/74983/2/SKRIPSI%20FULL.pdf
format: text
identifier: http://digilib.unila.ac.id/74983/3/SKRIPSI%20TANPA%20BAB%20PEMBAHASAN.pdf
identifier:   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.     
relation: http://digilib.unila.ac.id/74983/