Implementasi Metode K-Means untuk Clustering Citra Tanaman Obat

Rizky Prabowo, Vira Verina, Ridho Sholehurrohman, Rico Andrian

Abstract


Tanaman obat memiliki manfaat besar dalam menyembuhkan berbagai penyakit. Banyak masyarakat yang menggunakan tanaman obat sebagai sumber tanaman obat keluarga (TOGA). Bagian tanaman yang dapat dimanfaatkan sebagai obat adalah daun. Daun sulit diidentifikasi karena banyak daun yang memiliki bentuk dan warna yang mirip. Oleh karena itu, pengolahan citra dengan K-Means Clustering diterapkan untuk membantu mengidentifikasi daun tanaman obat. Citra akan discaling menjadi 600 x 800 piksel. Ciri tekstur pada citra akan dihitung menggunakan Gray Level Co-occurrence Matrix (GLCM). GLCM menghasilkan nilai numerik yang kemudian digunakan untuk proses K-Means Clustering. K-Means Clustering akan mengelompokkan citra berdasarkan kesamaan nilai fitur dan centroid terdekatnya. Jumlah cluster optimal yaitu k=3 berdasarkan perhitungan nilai SSE. Hasil penelitian 900 dataset citra daun terbagi menjadi 3 cluster dengan akurasi tertinggi 51,54% pada cluster 2 yang memprediksi daun binahong. Proses K-Means Clustering kurang baik dikarenakan penetuan nilai centroid berpengaruh terhadap hasil cluster. K-Means Clustering diimplementasikan ke dalam sistem web menggunakan flask.

Full Text:

PDF

References


M. Yassir and A. Asnah, “Pemanfaatan Jenis Tumbuhan Obat Tradisional Di Desa Batu Hamparan Kabupaten Aceh Tenggara,” Biot. J. Ilm. Biol. Teknol. dan Kependidikan, vol. 6, no. 1, p. 17, 2019, doi: 10.22373/biotik.v6i1.4039.

R. Widodo, A. W. Widodo, and A. Supriyanto, “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5769–5776, 2018, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3420

D. A. C. Rachman, R. Goejantoro, and F. D. T. Amijaya, “Implementasi Text Mining Pengelompokkan Dokumen Skripsi Menggunakan Metode K-Means Clustering,” J. EKSPONENSIAL, vol. 11, no. 2, pp. 167–174, 2020.

S. Desmanto and R. Angreni, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokkan Citra Digital Dengan Ekstraksi Fitur Warna RGB,” Julyxxxx, vol. x, No.x, no. x, pp. 1–5, 2014.

A. Atina, “Segmentasi Citra Paru Menggunakan Metode k-Means Clustering,” J. Pendidik. Fis. dan Keilmuan, vol. 3, no. 2, p. 57, 2017, doi: 10.25273/jpfk.v3i2.1475.

S. Sarno, “Pemanfaatan Tanaman Obat (Biofarmaka) Sebagai Produk Unggulan Masyarakat Desa Depok Banjarnegara,” Abdimas Unwahas, vol. 4, no. 2, pp. 73–78, 2019, doi: 10.31942/abd.v4i2.3007.

S. I. Astuti, S. P. Arso, and P. A. Wigati, “Perbandingan Algoritma K-Means Dan Algoritma K-Medoids Dalam Pengelompokan Komoditas Tanaman Biofarmaka Di Provinsi Jawa Tengah Tahun 2018,” 2018.

S. Jatmika and D. Purnamasari, “Rancang Bangun Alat Pendeteksi Kematangan Buah Apel Dengan Menggunakan Metode Image Processing Berdasarkan Komposisi Warna,” J. Ilm. Teknol. Inf. Asia, vol. 8, no. 1, pp. 51–58, 2014.

M. Widyaningsih, “Identifikasi Kematangan Buah Apel Dengan Gray Level Co-Occurrence Matrix (GLCM),” J. SAINTEKOM, vol. 6, no. 1, p. 71, 2017, doi: 10.33020/saintekom.v6i1.7.

E. Retnoningsih and R. Pramudita, “Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python,” Bina Insa. Ict J., vol. 7, no. 2, p. 156, 2020, doi: 10.51211/biict.v7i2.1422.

R. Irsyad, “Penggunaan Python Web Framework Flask Untuk Pemula,” Lab. Telemat. Sekol. Tek. Elektro Inform., pp. 1–4, 2018.




DOI: http://dx.doi.org/10.20527/klik.v10i3.646

Copyright (c) 2023 KLIK - KUMPULAN JURNAL ILMU KOMPUTER

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Indexed by:

  
 

 

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.joomla counter View My Stats