Abstrak - Seiring berjalannya waktu teknologi mengalami perkembangan yang luar biasa pesatnya, baik
dalam segi perangkat keras maupun dalam segi perangkat lunak. Salah satu teknologi yang terbentuk dari
perkembangan perangkat lunak adalah teknologi pengolahan citra. Teknologi ini sering digunakan untuk
pengembangan riset dan aplikasi. Oleh sebab itu banyak metode dan algoritma yang diciptakan untuk membantu
para peneliti dalam menganalisa suatu obyek citra maupun media. Akan tetapi ada sesuatu yang kurang atau bagi
pecinta tanaman, kususnya pecinta tanaman aglaonema atau sri rejeki. Karena dengan banyaknya persilangan
tanaman sri rejeki khususnya masyarakat Kediri kurang begitu mengetahui akan macam-macam jenis tanaman
sri rejeki. Oleh sebab itu penulis terdorong untuk membuat suatu aplikasi klasifikasi tanaman sri rejeki
berdasarkan corak daun menggunakan metode KNN (K-Nearest Neighbor). untuk proses klasifikasi citra sri
rejeki. Citra yang dipilih akan dilakukan konversi citra RGB (Merah Hijau Biru) menjadi warna ke
abuan(grayscale), kemudian dilakukan proses deteksi tepi, kemudian diubah ke citra biner setelah keluar nilai
citra 0 adalah nilai hitam dan 1adalah nilai putih, lalu nilai dinormalisasi metode KNN dihitung nilai jaraknya
menggunakan jarak pendekatan. Proses terakhir mencari nilai jarak yang terdekat dari data yang sering muncul
yang dijadikan acuan sebagai hasil dari klasifikasi kelas atau label jenis sri rejeki crispum, sri rejeki
commutatum plant, dan sri rejeki costatum. Hasil pengujian yang dilakukan pada aplikasi ini, untuk citra jenis sri
rejeki diperoleh dengan jumlah data pelatihan sebanyak pengenalan 3 jenis tanaman sri rejeki data uji coba
sebanyak 90 citra memperoleh persentase 75,55%. Pada aplikasi ini cara memotret memiliki peran penting
dalam proses klasifikasi jenis tanaman sri rejeki. Semakin baik gambar, tingkat kecerahan dan banyaknya data
training pada daun sri rejeki tersebut maka prosentase tingkat keberhasilan akan semakin tinggi. dan untuk
progam ini masih berbasis desktop dan dapat dikembangkan dengan progam berbasis android supaya lebih
mudah dan lebih simpel untuk digunakan.
224
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 23 Februari 2019 p-ISSN: 2580-3336
225
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 23 Februari 2019 p-ISSN: 2580-3336
226
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 23 Februari 2019 p-ISSN: 2580-3336
Input Gambar
Grayscale
<<Include>>
Prepoosessing Deteksi Tepi
User
Biner
K-NN
Hasil
Testing Training
0..1 0..1 0..1 0..1
- CitraPreposesing : image - CitraPreposesing : image
- NilaiFitur : int 0..* - NilaiFitur : int
- HasilIndentifikasi : character 0..* - NamaCitraTraining : character
- NilaiPerhitunganKNN : int + on show () : procedure
+ on show () : procedure + on klik () : procedure
+ on klik () : procedure
0..*
0..* 0..* 0..1
Kesimpulan dari hasil uji coba adalah sebagai berikut :
Tentang Lihatdata HasilKlasifikasiTanamanAglaonema
- Isi : string - Isi : string - Isi : String
+ on show () : procedure
+ on clik () : procedure
+ on show () : procedure
+ on clik () : procedure
Tingkat akurasi dipengaruhi oleh jumlah data
training dan jumlah data testing. Jika semakin banyak
data training dan semakin banyak data testing, maka
Gambar 2.6 Diagram Perancangan
akurasi nilai besar. Jika semakin banyak data training
d. Implementasi
Menjelaskan alur pada sistem yang akan dan semakin sedikit data testing, maka akurasi nilai
dibuat. Dari pertama user dari input gambar semakin besar. Jika semakin sedikit data training dan
sampai hasil klasifikasi keluar dan memberikan semakin besar data testing, maka akurasi nilai sangat
kecil. Jika semakin sedikit data training dan semakin
informasi bagi user lihat pada gambar 2.7.
sedikit data testing, maka akurasi nilai kecil.
4. SIMPULAN
Dari hasil penelitian, perancangan, pembuatan
dan pengujian aplikasi klasifikasi jenis tanaman
aglaonema berdasarkan corak daun menggunakan
metode KNN (K-Nearest Neighbor) didapatkan
kesimpulan sebagai berikut :
1. Metode K-Nearest Neighbor (KNN) dapat
digunakan untuk mengklasifikasi tanaman aglaonema
berdasarkan corak daun.
227
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 23 Februari 2019 p-ISSN: 2580-3336
2. Tingkat akurasi identifikasi dengan benar [7] Kusumadewi, Sri., Fauziah, Ami., Khoiruddin, Arwan
menggunakan tahapan penelitian tersebut dan A., Wahid, Fathul., Setiawan, M. Andri., Rahayu, Nur
menggunakan 300 data uji pada data citra yang Wijayaning., H. dayat, Taufik., dan Prayudi, Yudi.
diambil adalah 75,55%. (2009). Informatika Kesehatan menggunakan metode
KNN (K-Naerest Neighbor). Graha Ilmu. Yogyakarta.
3. Pada aplikasi ini cara memotret memiliki
peran penting dalam proses klasifikasi jenis tanaman
aglaonema. Semakin baik gambar, tingkat kecerahan
dan banyaknya data training pada daun aglaonema
tersebut maka prosentase tingkat keberhasilan akan
semakin tinggi.
5. SARAN
Dari hasil penelitian, perancangan, pembuatan dan
pengujian aplikasi klasifikasi jenis tanaman
aglaonema berdasarkan corak daun menggunakan
metode KNN (K-Nearest Neighbor) didapatkan saran
untuk penelitian selanjutnya sebagai berikut :
1. Penelitian dilakukan dengan kasus yang
berbeda dari klasifikasi jenis tanaman aglaonema.
2. Menambah jumlah percobaan di dalam
klasifikasi jenis tanaman aglaonema dengan kelas dan
jumlah data vektor yang berbeda agar didapatkan
keakuratan nilai yang lebih baik.
3. Progam ini masih berbasis desktop dan dapat
dikembangkan dengan progam berbasis android
supaya lebih mudah dan lebih simpel untuk
digunakan.
DAFTAR PUSTAKA
228