ANALISIS PENGARUH FILTER PENCAHAYAAN TERHADAP AKURASI IDENTIFIKASI JENIS BIBIT ALPUKAT BERBASIS CITRA URAT DAUN DENGAN METODE K-NEAREST NEIGHBORS DAN LOCAL BINARY PATTERN

Muhammad Miftah Darussalam; Gasim; Zaid Romegar Mair

doi:10.24252/instek.v10i2.60343

Authors

Muhammad Miftah Darussalam Universitas Indo Global Mandiri
Gasim Universitas Indo Global Mandiri
Zaid Romegar Mair Universitas Indo Global Mandiri

DOI:

https://doi.org/10.24252/instek.v10i2.60343

Keywords:

Filter, K-Nearest Neighbors, Local Binary Pattern, Pencahayaan, Urat Daun

Abstract

Pencahayaan memegang peranan penting dalam pengambilan citra, terutama dalam memperjelas detail tekstur seperti urat daun. Permasalahan utama dalam identifikasi bibit alpukat terletak pada kemiripan pola tekstur antarjenis, yang dapat menyebabkan kesalahan klasifikasi. Penelitian ini bertujuan untuk menganalisis pengaruh jumlah filter pada pencahayaan terhadap akurasi identifikasi bibit alpukat. Metode yang digunakan meliputi segmentasi citra, ekstraksi fitur menggunakan Local Binary Pattern (LBP) sebanyak 59 fitur, dan klasifikasi menggunakan algoritma K-Nearest Neighbors (KNN) dengan variasi nilai K dari 2 hingga 6. Citra daun diambil dengan lima variasi jumlah filter pencahayaan. Hasil pengujian menunjukkan bahwa penggunaan dua filter menghasilkan akurasi terbaik sebesar 68,8%, diikuti oleh empat dan lima filter masing-masing 68%, sementara satu filter hanya mencapai 61,6%. Nilai K optimal diperoleh pada K = 3 karena memberikan keseimbangan antara sensitivitas dan stabilitas. Kesimpulannya, variasi filter pada pencahayaan memengaruhi visibilitas tekstur urat daun dan akurasi klasifikasi. Penelitian ini memberikan kontribusi terhadap pengembangan metode identifikasi bibit alpukat berbasis pengolahan citra.

Downloads

Download data is not yet available.

References

[1] L. S. Ifmalinda*, Andasuryani, “IDENTIFIKASI BENTUK BUAH ALPUKAT (Persea americana Mill.) DENGAN ANALISIS CITRA DIGITAL,” Mega Press Nusant., vol. 23, no. 3, pp. 14–20, 2023.

[2] F. A. F. Sari, R. Wulanningrum, and L. S. Wahyuniar, “Penggunaan Metode CNN (Convolutional Neural Network) untuk Klasifikasi Jenis Tanaman Alpukat Berdasarkan Pola Daun,” Pros. SEMNAS INOTEK (Seminar Nas. Inov. Teknol. , vol. 7, pp. 1275–1284, 2023, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/inotek/

[3] J. V. P. Putra, F. Ayu, and B. Julianto, “Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN,” Stain. (Seminar Nas. Teknol. Sains), vol. 2, no. 1, pp. 155–162, 2023, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/stains/article/view/2888

[4] W. Priyoatmoko and S. Waluyo, “Identifikasi Jenis Buah Alpukat Melalui Sistem Pakar Berbasis Dempster Shafer,” J. BATIRSI, vol. 8, no. 1, pp. 12–16, 2024.

[5] M. Meiriyama, S. Devella, and S. M. Adelfi, “Klasifikasi Daun Herbal Berdasarkan Fitur Bentuk dan Tekstur Menggunakan KNN,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 3, pp. 2573–2584, 2022, doi: 10.35957/jatisi.v9i3.2974.

[6] S. Ashari and I. Ernawati, “Klasifikasi Tanaman Obat Untuk Penyakit Asam Urat Dengan Metode Local Binary Pattern (Lbp),” Semin. Nas. Mhs. Ilmu Komput. dan Apl., pp. 516–528, 2020.

[7] A. . P. E. dan C. F. F. Novitasari, “Identifikasi Citra Daun Tanaman Jeruk Dengan Local Binary Pattern Dan Moment Invariant,” J. Inform. dan Komput. , vol. 3, no. 2, pp. 76–83, 2018.

[8] A. R. Atmaja, U. Islam, and N. Sumatera, “Penerapan Local Binary Pattern ( Lbp ) Dan K-Nearest Neighbors ( Knn ) Untuk Mendeteksi,” vol. 4307, no. August, pp. 1028–1037, 2024.

[9] I. D. Nanda, Penerapan Local Binary Pattern Dan K-Nearest Neighbor Mendeteksi Penyakit Pada Daun Mangga. 2021.

[10] D. Agustina and G. Gasim, “Identifikasi Kadar Ikan Pada Pempek Menggunakan Fitur LBP Dengan Metode Jaringan Syaraf Tiruan,” J. Algoritm., vol. 2, no. 2, pp. 145–158, 2022, doi: 10.35957/algoritme.v2i2.2364.

[11] Y. Siagian, J. Hutahaean, A. Zikra Syah, J. Efendi Hutagalung, and A. Karim, “Implementasi Metode K-Nearest Neigbours (KNN) Untuk Klasifikasi Penyakit Diabetes,” J. Inform. dan Teknol. Inf., vol. 2, no. 3, pp. 253–262, 2024, doi: 10.56854/jt.v2i3.331.

[12] M. Farid Naufal, “Perbandingan, Analisis Svm, Algoritma Untuk, dan CNN,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 2, pp. 311–318, 2021, doi: 10.25126/jtiik.202184553.

[13] M. A. R. Zaid Romegar Mair, “Perbandingan Versi Terbaik YOLO Dalam Mendeteksi Jarak Spasi Antar Baris Tulisan Tangan,” J. Sains, Nalar, dan Apl. Teknol. Inf., vol. 4, no. 2, pp. 103–110, 2024, doi: 10.20885/snati.v4.i2.40414.

[14] K. T. Suhanto and G. Gasim, “Identifikasi Kadar Ikan Pada Pempek Dengan Fitur LBP Dan Metode Pengenalan SVM,” J. Algoritm., vol. 3, no. 1, pp. 91–98, 2022, doi: 10.35957/algoritme.v3i1.3363.

[15] A. Syarifah, A. A. Riadi, and A. Susanto, “Klasifikasi Tingkat Kematangan Jambu Bol Berbasis Pengolahan Citra Digital Menggunakan Metode K-Nearest Neighbor,” J. Inform. Merdeka Pasuruan, vol. 7, no. 1, pp. 27–35, 2022.

[16] Z. R. Mair, W. Cholil, E. Yulianti, D. Marcelina, Theresiawati, and I. N. Isnainiyah, “Convolutional Neural Network Analysis on Handwriting Patterns and Its Relationship to Personality: A Systematical Review,” 2023 Int. Conf. Informatics, Multimedia, Cyber Inf. Syst. ICIMCIS 2023, pp. 308–312, 2023, doi: 10.1109/ICIMCIS60089.2023.10348999.