Pengenalan Jenis Tanaman Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Kecerdasan Artifisial K-NearestNeighbor (KNN) dan Fusi Informasi
DOI:
https://doi.org/10.25126/jtiik.2021844392Abstrak
Memilih tanaman mangga yang sesuai dengan yang diinginkan menjadi sebuah tantangan dihadapkan pada tanaman marga Mangifera yang ada saat ini. Kesalahan pemilihan jenis tanaman mangga dapat menyebabkan kekecewaan pada pembeli dan menurunkan kepercayaan kepada penjual tanaman mangga karena dapat dianggap memberikan jenis tanaman yang salah. Permasalahannya adalah jenis tanaman mangga dapat diketahui setelah tanaman tersebut berbuah. Oleh karena itu, dalam upaya mereduksi kesalahan dalam pemilihan sebelum melakukan pembelian tanaman mangga, maka dirancang dan dibangun sebuah sistem pencitraan digital untuk pengenalan jenis tanaman mangga berdasarkan bentuk dan tekstur daun menggunakan metode Kecerdasan Artifisial K-Nearest Neighbor (KNN) yang digabungkan dengan Fusi Informasi guna memperoleh hasil klasifikasi dengan akurasi yang lebih baik. Data citra daun empat macam daun tanaman mangga yakni jenis Gadung, Lalijiwo, Golek dan Irwin, diproses menggunakan metode Local Binary Pattern (LBP) dan Entropy untuk ekstraksi fitur tekstur, dan metode Rectangularity untuk ekstraksi fitur bentuk. Kedua macam fitur tersebut difusikan menjadi masukan bagi pengklasifikasi KNN. Berdasarkan dari hasil-hasil pengujian, K-NN berhasil mengenali keempat jenis tanaman mangga tersebut dengan akurasi tertinggi sebesar 70% pada nilai K = 5, K = 9, K = 10 dan K = 11. Dari hasil pengujian juga diperoleh hasil bahwa fusi informasi mampu mempercepat sistem mengenali jenis tanaman mangga sebesar 0,11 detik.
Abstract
Choosing the right desired Mango plant is a challenge faced with various types of the existing Mangifera clan plants. The wrong choice of Mango plant species can end up with buyer disappointment and reduce the trust to the seller because it can be considered as providing the wrong type of plant. This happened because the type of Mango plant can only be identified after it bears fruit. In the effort to reduce such error, a digital imaging system was designed and built for recognizing the types of Mango plants based on the leaf shape and texture using Artificial Intelligence’s K-Nearest Neighbor (KNN) combined with Information Fusion to accelerate the classification with a consistent classification results. The image data consists of four kinds of Mango plant leaves, namely Gadung, Lalijiwo, Golek and Irwin. The leaf texture feature was extracted using the Local Binary Pattern (LBP) and Entropy methods, while the leaf shape feature was extracted using the Rectangularity method. The two features are fused as the input for the KNN classifier. Based on the test results, KNN was able to identify the four types of the Mango plant with the highest accuracy of 70% at values of K = 5, K = 9, K = 10, and K = 11. Besides that, it is also obtained a result that, the information fusion is able to speed up the recognition the types of Mango by 0.11 seconds.
Downloads
Referensi
ACHSANI, F.N., ATMAJA, R.D., & PURNAMASARI, R., 20153. Deteksi Adanya Cacat Pada Kayu Menggunakan Metode Local Binary Pattern. e-Proceeding of Engineering, 2(1), pp. 298–305.
ANANTA, A.Y., BATUBULAN, K.S., & WILDANI, A.N.R., 2019. Klasifikasi Tingkatan Mutu Buah Manggis berdasarkan Warna dan Diameter menggunakan Metode K-Nearest Neighbor. Jurnal Informatika Polinema, 5(2). pp. 67–73 [online]. Tersedia di: < http://jip.polinema.ac.id/ojs3/index.php/jip/article/view/239> [Diakses 5 April 2020]
CHUNG-MING, K., NAI-CHUNG, Y., CHIN-SHAN, L., JING-YAN, L. & CHEN, Y., 2010. Global Image Enhancement in DCT Domain. IEEE, pp. 521-525
FARRELLY, C.M., 2017. KNN Ensembles for Tweedie Regression: The Power of Multiscale Neighborhoods [online]. Tersedia di: <https://arxiv.org/abs/1708.02122> [Diakses 23 Juli 2020].
NADKARNI, P., 2016. Core Technologies: Data Mining and Big Data. Clinical Research Computing, 187–204 [online]. Tersedia di: <https://doi.org/10.1016/b978-0-12-803130-8.00010-5> [Diakses 20 Mei 2020]
NUGROHO, K.S., 2019. Confusion Matrix untuk Evaluasi Model pada Supervised Learning [online] Tersedia di: <https://medium.com/@ksnugroho/confusion-matrix-untukevaluasi-model-pada-unsupervised-machine-learning> [Diakses 8 Agustus 2020]
PATURRAHMAN, A.A., 2020. Tugas Akhir S-1: Analisis Pengenalan Pola Daun Berdasarkan Fitur Canny Edge Detection dan Fitur GLCM Menggunakan Metode Klasifikasi K-Nearest Neighbor (K-NN) [online]. Tersedia di: < http://begawe.unram.ac.id/index.php/ta/article/view/79> [Diakses 6 Juli 2020]
RAHAYU, P.A., HONAINAH, & PAWENING, E. R., 2016. Klasifikasi Jenis Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode K-Nearest Neighbor. Prosiding SENTIA, 8. pp. A247–A253 [online]. Tersedia di: <https://prosiding.polinema.ac.id/sentia/index.php/SENTIA2016/article/viewFile/49/44> [Diakses 4 April 2020].
RISKA, S.Y., CAHYANI, L., & ROSADI, M.I. (2015). Klasifikasi Jenis Tanaman Mangga Gadung dan Mangga Madu Berdasarkan Tulang Daun. Jurnal Buana Informatika, 6(1), pp. 41–50 [online]. Tersedia di: < https://ojs.uajy.ac.id/index.php/jbi/article/view/399> [Diakses 4 April 2020].
RUSLI & NASIR, M., 2018. Klasifikasi Jenis Mangga Berdasarkan Bentuk Daun Menggunakan Metode K-Nearest Neighbor. Jurnal Infomedia, 3(2), pp. 87-91 [online]. Tersedia di: < http://e-jurnal.pnl.ac.id/index.php/infomedia/article/view/1315> [Diakses 8 April 2020].
SOFFIANA, A., & PRASETYO, E., 2015. Klasifikasi Jenis Pohon Mangga Gadung dan Curut Berdasarkan Tesktur Daun. SESINDO 2011, Desember 2011. pp. 1–8, [online]. Tersedia di: < http://repository.ubhara.ac.id/files/UBHARASURYA-Proceeding-45-U74KlasifikasiJenisManggaBerdasarkanTeksturDaun.pdf> [Diakses 4 April 2020]
SUMARI, A.D.W., & AHMAD, A.S., 2016. The Fusion of Artificial Intelligence and Information Fusion. International Symposium on Electronics and Smart Devices 2016, [online]. Tersedia di: < https://ieeexplore.ieee.org/document/7886754> [Diakses 21 Mei 2020]
SUTARNO, ABDULLAH, R.F., & PASSARELLA, R., 2017. Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization ( LVQ ). Prosiding Annual Research Seminar 2017, 3(1), pp. 65-70.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).