Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB

Abstrak

Era computer vision merupakan era dimana komputer dilatih untuk bisa melihat, mengidentifikasi dan mengklasifikasi seperti kecerdasan manusia. Algoritma klasifikasi berkembang dari yang paling sederhana seperti K-Nearest Neighbor (KNN) sampai Convolutional Neural Networks. KNN merupakan algoritma klasifikasi yang paling sederhana dalam mengklasifikasikan sebuah gambar kedalam sebuah label. Metode ini mudah dipahami dibandingkan metode lain karena mengklasifikasikan berdasarkan jarak terdekat dengan objek lain (tetangga). Tujuan penelitian ini untuk membuktikan kelemahan metode KNN dan ekstraksi fitur warna RGB dengan karakteristik tertentu. Percobaan pertama dilakukan terhadap dua objek dengan kemiripan bentuk tetapi dengan  warna yang  mencolok di salah satu sisi objek. Percobaan kedua terhadap dua objek yang memiliki perbedaan karakteristik bentuk meskipun memiliki kemiripan warna. Empat objek tersebut adalah bunga coltsfoot, daisy, dandelion dan matahari. Total data dalam dataset adalah 360 data. Dataset memiliki tantangan variasi sudut pandang, penerangan, dan  gangguan dalam latar. Hasil menunjukkan bahwa kolaborasi metode klasifikasi KNN dengan ekstraksi fitur warna RGB memiliki kelemahan terhadap percobaan pertama dengan akurasi 50-60% pada K=5. Percobaan kedua memiliki akurasi sekitar 90-100% pada K=5. Peningkatan akurasi, precision dan recall terjadi ketika menaikkan jumlah K yaitu dari K=1menjadi K=3 dan K=5.

Kata kunci: k-nearest neighbour, RGB, kelemahan, kemiripan, bunga

IMPLEMENTATION OF K-NEAREST NEIGHBOR FOR FLOWER CLASSIFICATION WITH EXTRACTION OF RGB COLOR FEATURES

The era of computer vision is an era where computers are trained to be able to see, identify and classify as human intelligence. Classification algorithms develop from the simplest such as K-Nearest Neighbor (KNN) to Convolutional Neural Networks. KNN is the simplest classification algorithm in classifying an image into a label. This method is easier to understand than other methods because it classifies based on the closest distance to other objects (neighbors). The purpose of this research is to prove the weakness of the KNN method and the extraction of RGB color features for specific characteristics. The first  experiment on two objects with similar shape but with sharp color on one side of the object. The second experiment is done on two objects that have different shape characteristics even having a similar colors. The four objects are coltsfoot, daisy, dandelion and sunflower. Total data in the dataset is 360 data. The dataset has the challenge of varying viewpoints, lighting and background noise. The results show that the collaboration of the KNN classification method with RGB color feature extraction has weakness in the first experiment with the level of accuracy about 50-60% at K = 5. The second experiment has an accuracy of around 90-100% at K = 5. Increased accuracy, precision and recall occur when increasing the amount of K, from K = 1 to K = 3 and K = 5.

Keywords: k-nearest neighbour, RGB, weakness, similar, flower