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
1. PENDAHULUAN
Klasifikasi sebuah gambar dalam sebuah label merupakan hal yang sangat mudah bagi manusia karena manusia merupakan makhluk visual yang bisa melihat , mengidentifikasi dan mengklasifikasi dengan cepat (Priyanto, 2017). Computer vision merupakan salah satu bagian dari kecerdasan buatan dalam machine learning yang memungkinkan melatih komputer memiliki kemampuan melihat dengan memanfaatkan pengolahan citra digital (Priyanto, 2017). Objek klasifikasi memiliki variasi bentuk data misalkan data teks atau gambar. Objek dikumpulkan membentuk dataset dan siap dianalisis (Matthew, 2012). Algoritma atau metode klasifikasi sangat beragam. Salah satunya adalah K-Nearest Neighbor(KNN). KNN merupakan metode klasifikasi yang sangat sederhana dalam mengklasifikasikan sebuah gambar berdasarkan jarak terdekat dengan tetangganya. Metode ini dideklarasikan sebagai metode pembelajaran yang malas merupakan contoh dari metode belajar malas (Mujahidin, 2015). Data yang memiliki jarak fitur vector terdekat akan menjadi satu kelas atau label klasifikasi. Walaupun sangat sederhana dan terdapat kelemahan jika sebaran datanya terlalu dekat namun KNN mudah dipahami.
Untuk lebih lengkapnya anda bisa mengdownload jurnal nya di link berikut :
Kata Kunci : K-Neirest Neighbor, Jurnal Sistem Pakar, Jurnal Teknik Informatika, Jurnal Skripsi, Jurnal, Contoh Jurnal, Skripsi Teknik Informatika,Contoh Skripsi, Skripsi
Post a Comment
Post a Comment