@misc{eprints74984,
           month = {Juli},
           title = {IMPLEMENTASI K-NEAREST NEIGHBOR (KNN) UNTUK
KLASIFIKASI CITRA SERAT KAYU},
          author = {MARISA GEANANDA SUFIE  FINKA },
         address = {UNIVERSITAS LAMPUNG},
       publisher = {FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM},
            year = {2023},
             url = {http://digilib.unila.ac.id/74984/},
        abstract = {Kayu adalah bahan mentah yang banyak digunakan diberbagai bidang. Di
Indonesia, industri mebel seringkali mengidentifikasi kayu langsung dengan indra
manusia. Kemampuan dan pengetahuan manusia yang terbatas menyebabkan
seringnya terjadi kesalahan dan membutuhkan lebih banyak waktu. Pembelajaran
mesin adalah alternatif untuk membantu industri pengolah kayu mengidentifikasi
spesies kayu melalui pembelajaran berbasis data. Metode K-Nearest Neighbor
(KNN) mengurutkan objek (citra serat kayu) berdasarkan kemiripannya dengan
jumlah tetangga terdekat (k). Hasil dari penelitian ini berupa implementasi
algoritma KNN dengan percobaan menggunakan beberapa k tetangga terhadap
hasil ekstraksi fitur dari citra yaitu, fitur warna HSV dan tekstur GLCM.
Pengujian model dengan pembagian data latih dan data uji 80:20 dilakukan
menggunakan 5-Fold Cross Validation. Model terbaik dihasilkan tetangga k = 7
dengan akurasi 76,9\%.
Kata Kunci: Kayu, K-Nearest Neighbor (KKN), GLCM, HSV

Wood is a raw material that is widely used in various fields. In Indonesia, the
furniture industry often identifies wood directly with the human senses. Limited
human ability and knowledge cause frequent errors and require more time.
Machine learning is an alternative to helping the wood processing industry
identify wood species through data-driven learning. The K-Nearest Neighbor
(KNN) method sorts objects (wood fiber images) based on their similarity with
the number of nearest neighbors (k). The result of this research is the
implementation of the KNN algorithm by experimenting with several k neighbors
on the results of extracting features from the image, namely, HSV color and
GLCM texture. Model testing with a division of training data and test data of
80:20 is done using 5-Fold Cross Validation. The best model was generated by k
= 7 neighbors with 76.9\% accuracy.
Keywords: Wood, K-Nearest Neighbor (KKN), GLCM, HSV}
}