OPTIMALISASI MODEL KLASIFIKASI PENYAKIT DAUN MANGGA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

Arya Nugraha Ramdoni; Ade Irma Purnamasari; Denni Pratama; Riri Narasati

Authors

Arya Nugraha Ramdoni STMIK IKMI Cirebon, Indonesia
Ade Irma Purnamasari STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia
Riri Narasati STMIK IKMI Cirebon, Indonesia

Keywords:

Local Binary Pattern, K-Nearest Neighbor, Ekstraksi Tekstur, Klasifikasi, Penyakit Daun Mangga

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit daun mangga menggunakan metode ekstraksi tekstur Local Binary Pattern (LBP) dan algoritma K-Nearest Neighbor (KNN) sebagai pendekatan yang ringan serta efisien secara komputasi. Dataset yang digunakan terdiri dari delapan kelas penyakit daun mangga dengan total 4.000 citra, masing-masing melalui tahapan preprocessing yang meliputi perubahan ukuran, konversi ke grayscale, dan normalisasi untuk memastikan konsistensi input. Proses ekstraksi fitur dilakukan menggunakan LBP dengan konfigurasi parameter umum, yaitu radius (R = 3) dan jumlah titik sampel (P = 24), sehingga menghasilkan representasi histogram tekstur yang stabil sebagai input bagi model KNN.Pada tahap baseline, model KNN dikonfigurasi menggunakan nilai K = 5 dan menghasilkan akurasi sebesar 74,8%. Analisis terhadap confusion matrix menunjukkan bahwa beberapa kelas seperti Cutting Weevil, Bacterial Canker, dan Die Back memiliki tingkat prediksi yang tinggi, sedangkan kelas seperti Anthracnose dan Gall Midge masih menunjukkan misklasifikasi akibat kemiripan pola tekstur.Proses optimasi selanjutnya difokuskan pada penentuan nilai K terbaik menggunakan pendekatan cross-validation. Hasil pengujian menunjukkan bahwa nilai K = 1 memberikan performa paling optimal dan stabil. Ketika model dilatih kembali menggunakan konfigurasi optimal tersebut, akurasi meningkat menjadi 76,1% pada data uji. Peningkatan ini menunjukkan bahwa pemilihan nilai K menempati peran penting dalam kinerja KNN, terutama pada data berbasis histogram tekstur seperti LBP.Secara keseluruhan, penelitian ini membuktikan bahwa kombinasi LBP dan KNN mampu menghasilkan model klasifikasi penyakit daun mangga yang akurat dan efisien tanpa memerlukan sumber daya komputasi tinggi. Pendekatan ini berpotensi untuk dikembangkan lebih lanjut pada aplikasi praktis berbasis citra untuk mendukung proses deteksi penyakit tanaman di lapangan.

References

A. Tangkelayuk And E. Mailoa, “Klasifikasi Kualitas Air Menggunakan Metode Knn, Naïve Bayes Dan Decision Tree,” Vol. 9, No. 2, Pp. 1109–1119, 2022, [Online]. Available: Http://Jurnal.Mdp.Ac.Id

L. Mutawali, W. Murniati, And K. Kunci, “Penerapan Knnimputer Dalam Mengolah Data Missing Value Untuk Membantu Meningkatkan Akurasi Support Vector Machine Klasifikasi Penyakit Tiroid,” 2022. [Online]. Available: Https://Archive.Ics.Uci.Edu/Ml/Datasets/Thyroid+Diseas

F. Adi And E. Wintarti, “Komparasi Metode Svm, Knn, Dan Random Forest Untuk Prediksi Gagal Jantung Dengan Gui Aplikasi,” 2022.

E. Mardiani Et Al., “Analisis Kompleksitas Password Dengan Metode Knn, Naïve Bayes, Decision Tree, Ensemble Methods Dan Linear Regression,” Digital Transformation Technology, Vol. 3, No. 2, Pp. 955–966, Jan. 2024, Doi: 10.47709/Digitech.V3i2.3513.

T. Ngongo, F. Elefri Neno, D. Reby Sabawaly, And S. Maris Sumba Jalankarya Kasih No, “Analisa Sentimen Masyarakat Pembayaran Pajak Kendaraan Bermotor Dengan Metode Knn,” 2024.

D. Nasien, R. Syahputra, A. Akbar Marunduri, And R. Prawinata See, “Klasifikasi Penyakit Jantung Menggunakan Decision Tree Dan Knn Menggunakan Ektraksi Fitur Pca,” 2024.

J. Umamaheswari And A. Akila, “An Enhanced Human Speech Emotion Recognition Using Hybrid Of Prnn And Knn,” In Proceedings Of The International Conference On Machine Learning, Big Data, Cloud And Parallel Computing: Trends, Prespectives And Prospects, Comitcon 2019, 2019, Pp. 177–183. Doi: 10.1109/Comitcon.2019.8862221.