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