REVIEW JURNAL TUGAS WORKSHOP SISTEM CERDAS

KLASIFIKASI DAUN HERBAL MENGGUNAKAN METODE NAIVE BAYES

CLASSIFIER DAN K – NEAREST NEIGHBOR

Oleh
Andrea Santana Adzani
NIM E41180362

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI JEMBER
2021
 REVIEW JURNAL

Judul : KLASIFIKASI DAUN HERBAL MENGGUNAKAN METODE NAIVE

BAYES CLASSIFIER DAN K – NEAREST NEIGHBOR
Jurnal : Jurnal SimanteC
Vol & Hal : Vol. 5 (1) : 9 – 16
Tahun : 2015
Penulis : L. Febri, dan N. Hendro
Reviewer : Andrea Santana A
Tanggal : 3 Juni 2021
Introduction : Indonesia terkenal akan sumber daya alam nya yang melimpah. Begitu
juga dengan tanaman yang berbeda di setiap daerah di kepulauan
Indonesia. Perkembangan ilmu tanaman telah mengalami kemajuan yang
pesat, khususnya ilmu mengenai tanaman herbal. Tanaman herbal sendiri
dikenal akan manfaatnya yang beragam, sehingga ilmu tersebut dinilai
penting untuk selalu dipelajari serta dikembangkan. Beragamnya tanaman
herbal di Indonesia, membuat orang awam/minim pengetahuan akan hal
tesebut kesulitan untuk menentukan serta membedakan tanaman herbal
yang ada. Oleh karena itu, penelitian yang telah dilakukan ini bertujuan
untuk mengklasifikasi tanaman herbal tersebut berdasarkan bentuk daun.
Proses pengenalan tanaman herbal dapat dikenali dengan cara
pengambilan gambar daun dari tanaman herbal kemudian dilakukan
pengenalan pola daun dengan cara mengenali karakteristik struktural daun
seperti bentuk dan tekstur daun tersebut.
Metode : Metode klasifikasi yang digunakan dalam penelitian ini adalah Naive
Penelitian Bayes Classifier dan K – Nearest Neighbor. Namun, sebelum dilakukan
pengelompokan, maka terlebih dahulu dilakukan tahapan praproses citra
dab ekstraksi fitur citra tepi daun agar didapatkan nilai masukan yang tepat
untuk tahapan klasifikasi spesies daun berdasarkan citra daun.
Hasil dan : Pengujian dilakukan dengan tujuan untuk mengetahui keberhasilan dalam
Pembahasan klasifikasi daun herbal. Skenario uji coba dilakukan dengan jumlah data
gambar daun sebanyak 120 gambar. Pengujian dilakukan dengan cara
memsahkan data menjadi dua bagian, yaitu 80% atau 96 gambar
 digunakan sebagai data latih dan 20% atau 24 gambar digunakan sebagai
data uji. Data latih digunakan sebagai data rujukan klasifikasi yang sesuai,
sedangkan data uji coba digunakan untuk menguji ketepatan sistem dalam
melakukan klasifikasi daun. Hasil klasifikasi tersebut akan dicatat dan
dibandingkan dengan klasifikasi yang sebenarnya, yang selanjutnya
dilakukan penghitungan tingkat akurasinya.
Pada proses klasifikasi, dilakukan melalui beberapa tahap, yakni yang
pertama dilakukan terlebih dahulu praproses untuk mengubah gambar
dalam ruang warna RGB ke grayscale, kemudian dilakukan thresholding
untuk mendapatkan citra biner. Setelah dilakukan praproses, selanjutnya
ekstraksi fitur. Pada tahap ini, ekstraksi fitur yang akan dihasilkan vektor
fitur yang berisi 10 nilai dari fitur geometri dan invariant moment.
Berdasarkan hasil pengujian menggunakan metode Naive Bayes Classifier,
didapatkan 18 data yang terklasifikasi dan terdapat 6 data kesalahan.
Sedangkan pengujian menggunakan metode K – Nearest Neighbor
didapatkan 17 data terklasifikasi dan 7 data kesalahan. Dari hasil tersebut,
didapatkan untuk tingkat akurasi sebesar 18/24 = 75% untuk Naive Bayes
Classifier, dan 17/24 = 70,83% untuk K – Nearest Neighbor.
Kesimpulan : Dari hasil uji coba klasifikasi citra daun herbal didapatkan kesimpulan
yaitu pada penggunaan metode Naive Bayes Classifier didapatkan nilai
akurasi klasifikasi sebesar 75%, sedangkan dengan menggunakan metode
K – Nearest Neighbor didapatkan nilai akurasi klasifikasi sebesar 70,83%.
Hal ini menunjukkan bahwa kinerja metode Naive Bayes Classifier lebih
baik dibandingkan metode K – Nearest Neighbor.
Overview : Menurut pendapat saya pribadi, berdasarkan data serta penelitian yang
dilakukan hingga hasil uji coba, memang terbukti bahwasanya kinerja
metode Naive Bayes Classifier lebih baik dibandingkan metode K –
Nearest Neighbor. Hal tersebut dibuktikan dengan hasil uji coba yang
dihasilkan, yakni tingkat akurasi klasifikasi kedua metode tersebut
berbeda. Namun, tidak menutup kemungkinan hasil yang didapatkan akan
selalu tepat, mengingat beberapa faktor yang dapat mempengaruhi tingkat
keberhasilan klasifikasi tersebut. Beberapa diantaranya bisa bentuk daun
yang dipengaruhi oleh penyakit tanaman, tingkat kesuburan tanah, suhu &
 kelembaban, dll, yang dapat mempengaruhi proses pertumbuhan daun itu
sendiri, walaupun bentuk nya sama, tetap saja variable yang digunakan
sebagai parameter, hasilnya akan selalu dinamis, tergantung sample yang
digunakan.

STATE OF THE ART

NO JUDUL PENULIS JURNAL TAHUN PERBEDAAN
Plant species
identification Expert System Penelitian ini tidak
Cope, and S.
1 using digital with 2012 menggunakan fitur
James
mophometrics: Application warna
A review
Seleksi Fitur Penelitian ini
Menggunakan hanya membahas
Ekstraksi Fitur Y.A. Sari, beberapa metode
Bentuk, Warna, R.K. Dewi, ekstraksi fitur
2 Juti 2014
dan Tekstur and C. untuk
Dalam Sistem Fatichah meningkatkan
Temu Kembali performa sistem
Citra Daun temu kembali
International
An Optimal Penelitian ini
N. Valiammal, Journal of
Feature Subset hanya bertujuan
3 and Computer and 2012
Selection for untuk memilih
Geethalaksmi Communication
Leaf Analisys subset terbaik
Engineering

Sumenep, 03 Juni 2021

Reviewer,

(Andrea Santana A)