TY  - GEN
CY  - UNIVERSITAS LAMPUNG
ID  - eprints74983
UR  - http://digilib.unila.ac.id/74983/
A1  - HANI , CITA LESTARI 
Y1  - 2023/08/02/
N2  - 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.
PB  - FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
TI  - KLASIFIKASI CITRA DAUN TUMBUHAN OBAT MENGGUNAKAN
DETEKSI TEPI CANNY DAN METODE K-NEAREST NEIGHBOR (KNN)
AV  - restricted
ER  -