Klasifikasi Jenis Bunga Menggunakan Algoritma K-NN Dengan Ekstraksi Fitur HSV Dan GLCM

Abstract

Beragamnya jenis bunga di alam dengan kemiripan visual yang tinggi sering menyulitkan proses identifikasi, terutama bagi masyarakat awam maupun pelaku budidaya. Proses pengenalan manual cenderung memakan waktu dan tidak akurat. Oleh karena itu, penelitian ini mengusulkan pendekatan berbasis pengolahan citra digital dengan menggunakan algoritma K-Nearest Neighbor (K-NN) untuk mengklasifikasikan jenis bunga. Ekstraksi fitur dilakukan dengan metode HSV untuk warna dan GLCM untuk tekstur, sehingga citra bunga dapat direpresentasikan secara lebih menyeluruh. Dataset yang digunakan diperoleh dari situs Kaggle, terdiri dari tujuh kelas bunga dengan rasio pembagian data latih dan uji sebesar 60:40. Pengujian dilakukan pada nilai K=3, K=5, dan K=7, dengan akurasi tertinggi sebesar 67,86% untuk K=3 dan K=5. Hasil menunjukkan bahwa kombinasi fitur HSV dan GLCM mampu mendukung proses klasifikasi dengan hasil yang cukup baik, meskipun akurasinya masih dapat ditingkatkan dengan jumlah data lebih besar dan pengembangan metode. Penelitian ini diharapkan dapat menjadi dasar bagi pengembangan sistem klasifikasi objek serupa di bidang botani maupun pengenalan visual berbasis citra lainnya.