IMPLEMENTASI K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI CITRA SERAT KAYU

FINKA , MARISA GEANANDA SUFIE (2023) IMPLEMENTASI K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI CITRA SERAT KAYU. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (15Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (2025Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1336Kb) | Preview

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

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

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 001 Ilmu pengetahuan 500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MIPA > Prodi Ilmu Komputer
Pengguna Deposit:	2301301823 . Digilib
Date Deposited:	19 Aug 2023 05:45
Terakhir diubah:	19 Aug 2023 05:45
URI:	http://digilib.unila.ac.id/id/eprint/74984

Actions (login required)

Lihat Karya Akhir