Abstrak --Tanaman hias daun biasa digunakan untuk data latih dan data citra yang akan diuji dibutuhkan
mempercantik halaman pekarangan rumah dengan aneka metode yang dapat melakukan perhitungan jarak
warna yang indah pada tanaman hias daun ini menjadi kemiripan antara citra latih dan citra uji.
bahan perhatian khususnya bagi pecinta tanaman. Namun
dengan banyaknya jenis tanaman hias membuat kita sulit II. LANDASAN TEORI
untuk mengetahui nama tumbuhan yang kita minati.Sistem
pendeteksi citra tanaman hias daun bekerja dengan cara A. Model Warna Hue, Saturation, Value (HSV)
membandingkan data citra latih yang telah tersimpan pada Model warna HSV mendefinisikan warna
database terhadap data citra yang akan diuji. Data citra uji dalam terminologi Hue, Saturation, dan Value. Hue
akan diklasifikasikan dengan menggunakan penerapan menyatakan warna sebenarnya, seperti merah, violet,
metode K-Nearest Neighboor yaitu berfungsi untuk
dan kuning. Hue digunakan untuk membedakan warna-
menghitung jarak terdekat antara data citra latih dan data
citra uji pada setiap pikselnya. Setiap piksel pada citra akan warna dan menentukan kemerahan (redness),
dilakukan proses konversi red, Green, Blue (RGB) ke Kehijauan (greenness) dari cahaya [2].
dalam ekstraksi fitur warna hue, saturation, value (HSV) Nilai hue antara 0 sampai 1 berarti warna antara
terlebih dahulu. Setelah didapat nilai HSV, maka merah melewati kuning, hijau, cyan, biru dan magenta
dilakukan proses klasifikasi menggunakan metode KNN. dan kembali menjadi merah. Nilai saturation antara 0
Data sampel pada penelitian ini menggunakan 5 klasifikasi sampai 1 berarti dari tidak tersaturutasi (keabuan)
citra data latih dengan 10 data citra uji pada setiap data sampai tersaturisasi penuh (tidak putih) [3]. Nilai value
citra latih. Pada penelitian ini, diperoleh hasil dari akurasi atau brightness antara 0 sampai 1 berarti warna
sistem pendeteksi citra tanaman dengan hasil mencapai
semakin cerah seperti ditunjukkan pada Gambar I.
92%.
Kata kunci -- Hue, Saturation, Value (HSV), K-Nearest
Neighboor (KNN), Tanaman hias daun Philodendron.
I. PENDAHULUAN
20
JOIN | Volume I No. 1 | Juni 2016 ISSN 2527-9165
Quantisasi dilakukan dengan persamaan dibawah sederhana dan dapat memberikan akurasi yang baik
ini[4]: terhadap hasil klasifikasi[1].
21
JOIN | Volume I No. 1 | Juni 2016 ISSN 2527-9165
D. Analisis Proses Perhitungan KNN Sistem Pendeteksi klasifikasi jenis tanaman daun
Penerapan algoritma KNN berperan untuk proses ini beroperasi dengan melakukan ekstraksi fitur warna
pengklasifikasian citra dengan menghitung Euclidean HSV pada citra disetiap pikselnya, lalu di hitung jarak
Distance pada tiap fitur dengan membandingkan kemiripan nilai HSV-nya menggunakan metode KNN,
masing – masing fitur yang dilakukan pada citra uji di setelah didapat nilai yang paling terdekat lalu sistem
setiap pikselnya. Berikut ini merupakan contoh proses melakukan perhitungan vote kemiripan yang paling
perhitungan Euclidean Distance pada fitur HSV. banyak muncul yang akan dijadikan output dari sistem
Adapun proses perhitungan menghitung jarak ini.
kemiripan antara citra latih dan citra uji, dapat dilihat
pada Gambar VII dan VIII. V. KESIMPULAN
22
JOIN | Volume I No. 1 | Juni 2016 ISSN 2527-9165
23