SKRIPSI Jurusan Teknik Elektro - Fakultas Teknik UM, 2019

Ukuran Huruf:  Kecil  Sedang  Besar

Klasifikasi Benih Kacang Tanah (Arachis Hypogaea L.) Berdasarkan Fitur Warna dan Tekstur Menggunakan Algoritma K-Nearest Neighbor (KNN)

Fajariani Erna

Abstrak


RINGKASAN

Fajariani, Erna. 2019. Klasifikasi Benih Kacang Tanah (Arachis Hypogaea L.) Berdasarkan Fitur Warna dan Tekstur Menggunakan Algoritma K-Nearest Neighbor (KNN), Skripsi Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang. Pembimbing (I) Dr. Muladi, S.T. M.T., (II) Heru Wahyu Herwanto, S.T., M.Kom.

Kata Kunci: Kacang Tanah, Benih, Pengolahan Citra,  Fitur, K -Nearest Neighbor (KNN).

Kacang tanah (Arachis Hypogaea L.) termasuk salah satu kelompok tanaman jenis polong yang ditanam di Indonesia sebagai komoditas pangan yang banyak dikonsumsi masyarakat. Setiap tahun kebutuhan kacang tanah semakin meningkat. Tetapi karena adanya beberapa faktor kacang tanah mengalami penurunan produksi. Penurunan tersebut salah satunya dikarenakan penggunaan mutu benih yang rendah. Benih yang baik akan menghasilkan produksi tinggi dan sebaliknya benih buruk akan menghasilkan produksi rendah. Sehingga untuk mengatasi permasalahan penurunan produksi perlu adanya pemilihan benih yang bermutu baik. Pemilihan benih ini dapat dilihat berdasarkan mutu fisik biji kacang tanah.

Pengujian fisik biji dapat dilakukan dengan pengolahan citra yang diimplementasikan pada sistem informasi berbasis dekstop. Warna dan tekstur merupakan fitur yang dapat diproses citranya untuk mengklasifikasikan biji kacang tanah. Warna merupakan fitur yang dimiliki setiap citra dengan nilai yang berbeda. Gray Level Co-occurance Matrix (GLCM) adalah metode untuk ekstraksi tekstur berupa suatu matrik yang menggambarkan frekuensi munculnya pasangan dua piksel dengan  intensitas jarak d dan arah sudut tertentu dalam suatu citra. Penelitian ini menggunakan fitur warna (RGB) dan fitur tekstur yang terdiri dari kontras, homogenitas, energi dengan menggunakan metode GLCM. Fitur-fitur tersebut diproses dengan algoritma K-Neareset Neighbor (KNN) untuk klasifikasi kelayakan benih kacang tanah. Sistem akan melakukan ekstraksi fitur-fitur dari citra yang dimasukkan, sehingga akan diperoleh hasil klasifikasi benih.

Klasifikasi yang dilakukan akan dibagi menjadi 3 kelas yaitu kelas benih baik, benih keriput dan benih rusak. Pengujian pertama dilakukan pada data latih menggunakan metode holdout validation dengan 5 pemodelan pembagian data latih. Pengujian kedua dilakukan pada klasifikasi sistem terhadap nilai k 1, 3, 5, 7 dan 9 dengan menghitung akurasi klasifikasi benar pada klasifikasi oleh sistem dengan klasifikasi manual. Hasil yang diperoleh penelitian ini yaitu pada pengujian data latih semakin banyak jumlah data latih akan menghasilkan akurasi yang tinggi, dikarenakan sistem akan melakukan pembelajaran lebih banyak. Akurasi tertinggi pada pemodelan pembagian 90% data latih dan 10% data uji. Pada pengujian klasifikasi sistem akurasi tertinggi 83% dengan nilai k=5, sedangkan yang terendah akurasinya 67% dengan nilai k=1. Sehingga dari penelitian penerapan pengolahan citra dengan algoritma KNN ini mampu melakukan klasifikasi benih kacang tanah dengan baik.