564
K-NEAREST NEIGHBOR DAN EKSTRAKSI WARNA MEANRGB UNTUK
IDENTIFIKASI KUNYIT ATAU TEMULAWAK
K-NEAREST NEIGHBOR AND MEANRGB COLOR EXTRACTION FOR IDENTIFICATION OF TURMERIC OR CURCUMA
1)Cahaya Jatmoko, 2) Daurat Sinaga
1,2)Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas Dian Nuswantoro
Jl. Imam Bonjol 207 Semarang, 50131
Email: 1[email protected], 2[email protected]
ABSTRAK
Tanaman rimpang sering ditemui dinegara Indonesia biasa disebut dengan rempah-rempah. tanaman tersebut tumbuh menjalar pada bagian permukaan tanah dan akar yang tumbuh menghasilkan tunas baru. Jenis-jenis tanaman rimpang sangatlah banyak dan memiliki aroma yang beragam namun jika dilihat dari warnanya hampir memiliki kesamaan sehingga sulit untuk mengetahui jenis rempah-rempah. Pemilihan jenis rempah-rempah berdasarkan aroma pada manusia sangatlah mudah, namun bagi komputer tidak mudah untuk melakukan hal tersebut. Pola pikir pada manusia memiliki kecenderungan yang subjektif terhadap objek, persepsi tersebut terjadi karena adanya faktor warna yang terdapat pada objek tersebut. Dengan demikian perlu adanya sistem yang dapat melakukan pemilihan jenis-jenis rempah secara otomatis berdasarkan komposisi warnanya. Tujuan dalam penelitian ini adalah untuk mengidentifikasi kunyit dan temulawak menggunkan algoritma K-Nearest Neighbor (K-NN) dengan ekstraksi fitur warna yaitu MeanRGB. Pada penelitian ini memiliki pemodelan sistem yang dimulai dari pengumpulan data, pengenalan data, ekstraksi fitur warna hingga klasifikasi. Dalam penelitian ini, terdapat dua jenis data yaitu data latih yang memiliki 100 citra dan data uji yang memiliki 80 citra. Hasil yang diperoleh pada penelitian ini, sistem dapat membedakan citra kunyit dan temulawak dengan nilai akurasi 95% pada K=1.
Kata Kunci : Rempah-rempah, identifikasi, K-NN, MeanRGB.
ABSTRACT
Rhizome plants are often found in Indonesia, commonly referred to as spices. these plants grow creeping on the surface of the soil and the roots that grow to produce new shoots. There are many types of rhizome plants and have a variety of aromas, but when viewed from the color they almost have the same, making it difficult to know the type of spice. Choosing the type of spice based on aroma in humans is very easy, but for computers it is not easy to do that. The mindset in humans has a subjective tendency towards objects, this perception occurs because of the color factor contained in these objects. Thus, there is a need for a system that can automatically select the types of spices based on their color composition. The purpose of this study was to identify turmeric and curcuma using the K-Nearest Neighbor (K-NN) algorithm with color feature extraction, namely MeanRGB. This research has a modeling system starting from data collection, data recognition, color feature extraction to classification. In this study, there are two types of data, namely training data which has 100 images and test data which has 80 images. The results obtained in this study, the system can distinguish the images of turmeric and curcuma with an accuracy value of 95% at K= 1.
Keywords : Herbs, identification, K-NN, MeanRGB. PENDAHULUAN
Rempah-rempah adalah salah satu dari jenis-jenis tumbuhan yang sering ditemukan diwilayah Indonesia dan kegunaanya sudah banyak dimanfaatkan oleh masyarakat dalam kepentingan industry farmasi, industri pangan, dan industry lainnya (Kaharuddin, Kusrini, & Luthfi, 2019). Kunyit atau biasa disebut kunir adalah salah satu tanaman rempah-rempah yang sering dijumpai dan mudah ditemukan di asia tenggara. Kunyit memiliki bentuk dan warna yang hampir sama seperti temulawak. Pada umumnya kunyit mempunyai rasa pahit dan aroma khas yang sering digunakan untuk bahan baku pada pembuatan obat-obatan tradisional dan bumbu tambahan pada masakan (Sari & Fadlil, 2014). Temu lawak adalah salah satu tanaman rempah-rempah yang banyak dijumpai didaerah pulau jawa di indonesia, yang kemudian pertumbuhannya menyebar ke banyak kawasan malesia. Pada umumnya temulawak mempunyai rasa pahit yang sering digunakan sebagai racikan obat-obatan tradisional. Dari sekian banyaknya hasil rempah-rempah bumi masyarakat di Indonesia
565
dapat melakukan penyortiran untuk mengenali setiap jenis rempah-rempah dengan cara memanfaatkan teknologi image processing sehingga dapat melakukan klasifikasi berdasarkan citra. Agar lebih objektif maka pentingnya teknologi yang berbasis pengolahan citra digital atau image processing dengan teknik klasifikasi yang dapat dilakukan untuk mengidentifikasi suatu gambar atau citra dari objek tersebut. Metode yang digunakan yaitu menggunakan K-Nearest Neighbor dengan cara memperoleh ekstraksi ciri warna mean RGB dari masing–masing objek sehingga memperoleh nilai RGB dari objek untuk diklasifikasi berdasarkan kelas pada masing-masing objek menggunakan perhituingan jarak eucledian distance .
Penyortiran adalah salah satu proses penting yang paling penting dan diutamakan dalam sebuah perusahaan maupun didunia perindustrian. Salah satu contoh penyortiran di bidang perindustrian adalah menyortiran jenis-jenis bahan yang akan diolah. Dengan adanya penyortiran bahan tersebut dapat mempermudah dalam melakukan pengelompokan berdasarkan jenisnya. Agar lebih objektif maka pentingnya teknologi yang berbasis pengolahan citra digital atau image processing dapat membantu mengatasi masalah inovasi tersebut dengan dilakukannya penyortiran temulawak dan kunyit tersebut (Maimunah & Arumi, 2019). Teknologi tentunya pasti akan terus mengalami perkembangan dan semakin maju, salah satu dari perkembangan teknologi tersebut adalah computer science yang sering digunakan manusia dalam mempermudah pekerjaan dalam melakukan penelitian. Salah satu contoh computer science tersebut adalah pengolahan citra digital yang dimaksud dengan mempelajari berbagai teknik dalam pengolahan citra tentang kualitas gambar, transformasi gambar yang bertujuan untuk melakukan analisis suatu data. Salah satu contoh penggunaan teknologi (Irawan, Listyaningsih, Setiadi, Sari, & Rachmawanto, 2018) yang dihubungkan dengan pengolahan citra digital antara lain melakukan klasifikasi buah, klasifikasi daging dan masih banyak lagi contoh yang lain.
Teknik klasifikasi merupakan teknik atau cara yang dapat dilakukan untuk mengidentifikasi suatu gambar atau citra dari objek tersebut dengan cara memperoleh ekstraksi ciri warna mean RGB dari masing– masing objek sehingga memperoleh nilai RGB dari objek untuk dikelompokan menurut kelas pada masing-masing objek berdasarkan perhituingan jarak (Paramita, Rachmawanto, Sari, & Setiadi, 2019). Metode yang digunakan pada penelitian kunyit dan temulawak yaitu menggunakan metode K-Nearest Neighbor (Sari and Fadlil, 2014). Dalam melakukan penelitian ini dapat digunakan untuk dalam perhitungan jarak ketepatan pada objek dengan objek data baru dalam data set yang akan dilakukannya proses klasifikasi terhadap data tersebut. Menurut penelitian yang dilakukan oleh (Sari & Fadlil, 2013) klasifikasi citra kunyit sudah dilakukan menggunakan algoritma klasifikasi minkowski distance family, namun akurasi yang di dapat masih 83,34%. Penelitian lain dalam proses klasifikasi rempah lain berupa jahe menggunakan algoritma jaringan syaraf tiruan masih menghasilkan akurasi yang rendah yaitu 60% (Maimunah M. , 2018). Dari beberapa penelitian yang telah dilakukan dalam mengkaslfikasi rempah, maka terdapat peluang untuk melakukan perbaikan akurasi dalam proses klasifikasi tersebut. Adanya keunggulan yang dimiliki oleh KNN, dapat digunakan sebagai algoritma klasifikasi pada penelitian ini.
METODE
Teknik Pengambilan Data
Persiapan yang dilakukan dalam pengambilan data sebagai bahan penelitian adalah dengan cara sebagai berikut ini :
a. Kunyit dan temulawak diletakan diatas kertas HVS berwarna putih.
b. Citra diambil menggunakan kamera smartphone Samsung Galaxy Note 8 dengan pengaturan otomatis. c. Pengambilan gambar dengan ketinggian kamera smartphone yaitu 20 cm.
d. Waktu pada saat pengambilan gambar yaitu pukul 16.30 WIB.
e. Jumlah kunyit dan temulawak yang digunakan untuk pengam bilan foto adalah masing-masing 60 buah. f. Jumlah data terdiri dari 120 citra yang difoto dengan posisi yang berbeda-beda.
Sampel Dataset Penelitian
Citra kunyit Citra kunyit Citra temulawak Citra temulawak Gambar 1. Sampel dataset penelitian
566
Gambar 1 merupakan 4 dari 80 citra kunyit dan temulawak yang digunakan dalam penelitian ini. Hasil dari pengambilan foto tersebut menghasilkan citra kunyit dengan format .jpg dengan resolusi citra sebesar 2160 x 2880 piksel. Setelah penganbilan citra kunyit dan citra temulawak, langkah selanjutnya adalah ekstraksi fitur warna. Ekstraksi ini dilakukan langsung pada Matlab disetiap citra dengan format .jpg digunakan untuk memperoleh angka numerik atau nilai RGB dari setiap citra yang digunakan sebagai acuan dalam perhitungan jarak pada eucledian distance.
Alur Penelitian
Pada penelitian yang dilakukan, dilihat dari garis besarnya memiliki alur yang sistematis yaitu dimulai dari pengumpulan data, kemudian proses penelitian menggunakan metode dan langkah terkahir adalah mendapatkan hasil. Pada pengumpulan data terdiri dari data latih dan data uji yang digunakan sebagai sumber bahan penelitian. Proses penelitian dilakukan dengan klasifikasi untuk memperoleh hasil yang ditargetkan. Untuk pemodelan sistemnya yaitu dimulai dari start program kemudian pelatihan data untuk pengenalan jenis data terhadap sistem, selanjutnya pengambilan data yang akan dilakukan sebagai penelitian, tahap selanjutnya adalah dilakukan preprocessing menggunakan mean RGB untuk mendapatkan ekstraksi warna yang akan digunakan sebagai proses klasifikasi dengan perhitungan jarak eucledian distance pada algoritma K-Nearest Neighbor berdasarkan nilai K yang ditentukan penulis dengan, yang ditunjukan pada Gambar 2 berikut.
Gambar 2. Alur Penelitian
Pengukuran Hasil Klasifikasi
Hasil dari proses klasifikasi objek berupa temulawak dan kunyit berdasarkan citra warna menghasilkan nilai akurasi, dimana akurasi yang baik yaitu mendelati nilai 100% (Kasim & Harjoko, 2014). Dalam mengevaluasi kinerja klasifikasi, nilai akurasi yang dilakukan peneliti dapat didefinisikan sesuai persamaan berikut.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = jumlah data klasifikasi benar
jumlah data uji 𝑥 100% HASIL DAN PEMBAHASAN
Perhitungan klasifikasi pada penelitian ini adalah menggunakan metode K-Nearest Neighbor dengan menggunakan metode perhitungan jarak Eucledian Distance. Pada yang digunakan untuk proses klasifikasi ini diperoleh dari hasil ekstsraksi fitur warna (RGB) sesuai nilai pada Gambar 3. Dalam Gambar 3 hanya ditampilkan sampel nilai RGB pada 10 citra testing saja dari 80 citra testing yang digunakan.
Gambar 3. Sampel Nilai RGB pada citra testing penelitian
0 100 200 300
Kunyit1 Kunyit2 Kunyit3 Kunyit4 Kunyit5 Temu1 Temu2 Temu3 Temu4 Temu5
N
ilai
R
GB
Nilai RGB pada sampel data testing
567
Setelah melakukan perhitungan dapat diketahui jarak citra data uji tehadap semua citra data latih dalam melakukan pengelompokan kelas sesuai dengan nilai K berdasarkan jarak terdekat. Berikut adalah hasil klasifikasi berdasarkan K = 1, K = 3, K= 5 dan K= 7 sesuai Gambar 4.
Gambar 4. Perolehan Akurasi pada Proses Klasifikasi dengan KNN
Berdasarkan Gambar 4, diketahui bahwa terdapat citra yang tidak sesuai dengan target sehingga nilai akurasi tidak mencapai 100%. Berdasarkan Gambar 4 dan Tabel 1, dapat di lihat mengenai citra mana yang tidak sesuai dengan target klasifikasi. Adapun sebaran hasil akurasi yang diperoleh sebagai berikut :
Temuan 𝑃𝑎𝑑𝑎 𝐾1 =76 80𝑥 100% = 95 % Temuan 𝑃𝑎𝑑𝑎 𝐾3 =71 80𝑥 100% = 88.75 % Temuan 𝑃𝑎𝑑𝑎 𝐾5 =73 80𝑥 100% = 92.35 % Temuan 𝑃𝑎𝑑𝑎 𝐾7 =69 80𝑥 100% = 86.25 %
Tabel 1. Kesesuaian antara Citra Asli dan Citra Hasil Klasifikasi
No Nama citra Target Hasil
K1 K3 K5 K7
1 Kunyit1 Kunyit Kunyit Kunyit Kunyit Kunyit 2 Kunyit2 Kunyit Kunyit Kunyit Kunyit Kunyit 3 Kunyit3 Kunyit Kunyit Kunyit Kunyit Kunyit 4 Kunyit4 Kunyit Kunyit Kunyit Kunyit Kunyit 5 Kunyit5 Kunyit Kunyit Kunyit Kunyit Kunyit 6 Kunyit6 Kunyit Kunyit Kunyit Kunyit Kunyit 7 Kunyit7 Kunyit Kunyit Kunyit Kunyit Kunyit 8 Kunyit8 Kunyit Kunyit Kunyit Kunyit Kunyit 9 Kunyit9 Kunyit Kunyit Kunyit Kunyit Kunyit 10 Kunyit10 Kunyit Kunyit Kunyit Kunyit Kunyit 11 Kunyit11 Kunyit Kunyit Kunyit Kunyit Kunyit 12 Kunyit12 Kunyit Kunyit Temulawak Kunyit Temulawak 13 Kunyit13 Kunyit Kunyit Kunyit Kunyit Kunyit 14 Kunyit14 Kunyit Kunyit Kunyit Kunyit Kunyit 15 Kunyit15 Kunyit Kunyit Kunyit Kunyit Kunyit 16 Kunyit16 Kunyit Kunyit Kunyit Kunyit Kunyit 17 Kunyit17 Kunyit Kunyit Temulawak Kunyit Kunyit 18 Kunyit18 Kunyit Temulawak Temulawak Temulawak Kunyit 19 Kunyit19 Kunyit Kunyit Kunyit Kunyit Temulawak 20 Kunyit20 Kunyit Kunyit Kunyit Kunyit Kunyit 21 Kunyit21 Kunyit Kunyit Kunyit Kunyit Kunyit 22 Kunyit22 Kunyit Temulawak Temulawak Kunyit Kunyit 23 Kunyit23 Kunyit Kunyit Kunyit Kunyit Kunyit 24 Kunyit24 Kunyit Kunyit Kunyit Kunyit Temulawak 25 Kunyit25 Kunyit Kunyit Kunyit Kunyit Kunyit 26 Kunyit26 Kunyit Kunyit Kunyit Kunyit Kunyit 27 Kunyit27 Kunyit Kunyit Temulawak Temulawak Temulawak
95 88,75 92,35 86,25 80 85 90 95 100 K1 K3 K5 K7 P rosen tase aku ras i (% )
Akurasi klasifikasi dengan KNN pada K1,K3,K5 dan K7
568
28 Kunyit28 Kunyit Kunyit Kunyit Kunyit Kunyit 29 Kunyit29 Kunyit Kunyit Kunyit Kunyit Kunyit 30 Kunyit30 Kunyit Kunyit Kunyit Kunyit Kunyit 31 Kunyit31 Kunyit Kunyit Kunyit Kunyit Kunyit 32 Kunyit32 Kunyit Kunyit Kunyit Kunyit Kunyit 33 Kunyit33 Kunyit Kunyit Temulawak Kunyit Kunyit 34 Kunyit34 Kunyit Kunyit Kunyit Kunyit Kunyit 35 Kunyit35 Kunyit Kunyit Kunyit Temulawak Kunyit 36 Kunyit36 Kunyit Kunyit Kunyit Kunyit Kunyit 37 Kunyit37 Kunyit Temulawak Kunyit Kunyit Kunyit 38 Kunyit38 Kunyit Kunyit Kunyit Kunyit Kunyit 39 Kunyit39 Kunyit Kunyit Kunyit Temulawak Kunyit 40 Kunyit40 Kunyit Kunyit Kunyit Kunyit Temulawak 41 Temu1 Temulawak Temulawak Temulawak Temulawak Temulawak 42 Temu2 Temulawak Temulawak Temulawak Temulawak Temulawak 43 Temu3 Temulawak Temulawak Temulawak Kunyit Temulawak 44 Temu4 Temulawak Temulawak Temulawak Temulawak Kunyit 45 Temu5 Temulawak Temulawak Temulawak Temulawak Temulawak 46 Temu6 Temulawak Temulawak Temulawak Temulawak Temulawak 47 Temu7 Temulawak Temulawak Temulawak Kunyit Temulawak 48 Temu8 Temulawak Temulawak Temulawak Temulawak Temulawak 49 Temu9 Temulawak Temulawak Temulawak Temulawak Temulawak 50 Temu10 Temulawak Temulawak Temulawak Temulawak Temulawak 51 Temu11 Temulawak Temulawak Kunyit Temulawak Temulawak 52 Temu12 Temulawak Temulawak Temulawak Temulawak Temulawak 53 Temu13 Temulawak Temulawak Temulawak Temulawak Temulawak 54 Temu14 Temulawak Temulawak Temulawak Temulawak Temulawak 55 Temu15 Temulawak Temulawak Temulawak Temulawak Temulawak 56 Temu16 Temulawak Temulawak Temulawak Temulawak Temulawak 57 Temu17 Temulawak Temulawak Kunyit Kunyit Kunyit 58 Temu18 Temulawak Temulawak Temulawak Temulawak Temulawak 59 Temu19 Temulawak Temulawak Temulawak Temulawak Temulawak 60 Temu20 Temulawak Temulawak Temulawak Temulawak Temulawak 61 Temu21 Temulawak Temulawak Temulawak Temulawak Kunyit 62 Temu22 Temulawak Temulawak Temulawak Temulawak Temulawak 63 Temu23 Temulawak Temulawak Temulawak Temulawak Temulawak 64 Temu24 Temulawak Temulawak Temulawak Temulawak Temulawak 65 Temu25 Temulawak Temulawak Temulawak Temulawak Temulawak 66 Temu26 Temulawak Temulawak Temulawak Temulawak Temulawak 67 Temu27 Temulawak Temulawak Temulawak Temulawak Temulawak 68 Temu28 Temulawak Temulawak Temulawak Temulawak Temulawak 69 Temu29 Temulawak Temulawak Kunyit Temulawak Temulawak 70 Temu30 Temulawak Temulawak Temulawak Temulawak Temulawak 71 Temu31 Temulawak Temulawak Temulawak Temulawak Kunyit 72 Temu32 Temulawak Temulawak Temulawak Temulawak Temulawak 73 Temu33 Temulawak Temulawak Temulawak Temulawak Temulawak 74 Temu34 Temulawak Temulawak Temulawak Temulawak Temulawak 75 Temu35 Temulawak Temulawak Temulawak Temulawak Temulawak 76 Temu36 Temulawak Temulawak Temulawak Temulawak Kunyit 77 Temu37 Temulawak Temulawak Temulawak Temulawak Temulawak 78 Temu38 Temulawak Temulawak Temulawak Temulawak Temulawak 79 Temu39 Temulawak Temulawak Temulawak Temulawak Kunyit 80 Temu40 Temulawak Temulawak Temulawak Temulawak Temulawak
569
Tabel 2. Citra uji temulawak
Citra K3 K5 K7 Kelas
197.509 186.402 177.888 ?
Untuk lebih memperjelas gambaran mengenai proses klasifkasi yang digunakan, dapat di lihat pada Tabel 2 menggunakan sampel citra temulawak. Perhitungan jarak menggunakan Euclidean Distance dengan rumus beriku, dimana A adalah data latih dan B adalah data uji.
𝑑(𝐴, 𝐵) = √∑n (Ai − Bi)2 i=1 Citra 1 =√(192.581 − 197.509)2+ (177.205 − 186.402)2+ (167.729 − 177.888)2 = 14.56280 Citra 2 =√(195.749 − 197.509)2+ (179.914 − 186.402)2+ (169.834 − 177.888)2 = 10.49088 Citra 3 =√(200.471 − 197.509)2+ (187.818 − 186.402)2+ (178.896 − 177.888)2 = 3.43432 Citra 4 =√(197.194 − 197.509)2+ (182.85 − 186.402)2+ (173.351 − 177.888)2 = 5.77064 Citra 5 =√(203.851 − 197.509)2+ (192.16 − 186.402)2+ (184.857 − 177.888)2 = 11.04275 Citra 6 =√(178.175 − 197.509)2+ (163.983 − 186.402)2+ (153.779 − 177.888)2 = 38.17930 Citra 7 =√(200.94 − 197.509)2+ (191.721 − 186.402)2+ (184.323 − 177.888)2 = 9.02622 Citra 8 =√(206.24 − 197.509)2+ (194.807 − 186.402)2+ (186.759 − 177.888)2 = 15.01895 Citra 9 =√(200.091 − 197.509)2+ (188.153 − 186.402)2+ (179.045 − 177.888)2 = 3.32736
Setelah melakukan perhitungan dapat diketahui jarak citra data uji tehadap semua citra data latih dalam melakukan pengelompokan kelas sesuai dengan nilai K berdasarkan jarak terdekat, maka diketahui bahwa citra pada Tabel 2 adalah citra temulawak seperti ditunjukkan pada Tabel 3 berikut.
Tabel 3. Pembuktian Pengujian Citra pada Tabel 2
No Citra R G B Terklasifikasi Nilai Eucledian Distance 1 192.581 177.205 167.729 Kunyit 14.56280 2 195.749 179.914 169.834 Kunyit 10.49088 3 200.471 187.818 178.896 Kunyit 3.43432 4 197.194 182.85 173.351 Kunyit 5.77064 5 203.851 192.16 184.857 Kunyit 11.04275 6 178.175 163.983 153.779 Temulawak 38.17930 7 200.94 191.721 184.323 Temulawak 9.02622 8 206.24 194.807 186.759 Temulawak 15.01895
570
9 200.091 188.153 179.045 Temulawak 3.32736
… … … …
80 203.662 193.042 185.522 Temulawak 11.84174
Pada Tabel 3 diatas dapat diketahui bahwa hasil dari perhitungan jarak citra uji dengan nilai K=3 termasuk kedalam kelas kunyit dan tidak tepat berada pada kelas temulawak, dikarenakan ada 2 citra yang merujuk pada citra kunyit dengan jarak terdekatnya sehingga tetap dinyatakan pada kelas kunyit.
KESIMPULAN
Berdasarkan penelitian yang telah dilakukan diatas mendapatkan hasil dan kesimpulan dari penerapan algoritma K-Nearest Neighbor dengan preprocesing mean RGB dalam mengklasifikasi citra kunyit dan temulawak dengan akurasi tertinggi pada K=1 yaitu 95%. Hasil akurasi pada penelitian ini masih dalah kategori baik, apabila dilihat dari nilai K yang lain. K3 sedikit lebih rendah yaitu 88.75% dari K5 yaitu 92.35%, sedangkan akurasi pada K7 yaitu 86.25%. Seluruh akurasi yang di dapat lebih baik dari beberapa penelitian yang telah dilakukan oleh penelitian sebelumnya. Untuk mengoptimalkan akurasi, dapat dilakukan penambahan dataset maupun melakukan variasi pada preprosesing misalnya dengan HVS atau GLCM.
DAFTAR PUSTAKA
Irawan, C., Listyaningsih, W., Setiadi, D., Sari, C., & Rachmawanto, E. (2018). CBIR for Herbs Root Using Color Histogram and GLCM Based on K-Nearest Neighbor. International Seminar on Application for Technology of Information and Communication (pp. 509-514). Semarang: IEEE.
Kaharuddin, K., Kusrini, K., & Luthfi, E. (2019). KLASIFIKASI JENIS REMPAH-REMPAH BERDASARKAN FITUR WARNA RGB DAN TEKSTUR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR. Informasi Interaktif : Jurnal Informatika dan Teknologi Informasi, 17-22. Kasim, A., & Harjoko, A. (2014). Klasifikasi Citra Batik Menggunakan Jaringan Syaraf Tiruan Berdasarkan
Gray Level Co-Occurrence Matrices (GLCM). Seminar Nasional Aplikasi Teknologi Informasi (SNATI), (pp. 7-13). Yogyakarta.
Maimunah, M. (2018). Identifikasi Jenis Jahe Berdasarkan Warna Menggunakan Jaringan Syaraf Tiruan. INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS, 145-154.
Maimunah, M., & Arumi, E. (2019). Use of Support Vector Machine to Classify Rhizomes Based on Color. Journal of Physics: Conference Series (pp. 1-5). Madiun: IOP.
Paramita, C., Rachmawanto, E., Sari, C., & Setiadi, D. (2019). Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor. Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 1-6.
Sari, D., & Fadlil, A. (2013). Sistem Identifikasi Citra Jenis Kunyit (Curcuma Domestica Val.) Menggunakan Metode Klasifikasi Minkowski Distance Family. Jurnal Sarjana Teknik Informatika, 399-408.
Sari, D., & Fadlil, A. (2014). Sistem Identifikasi Citra Rimpang Pada Tanaman Famili Zingiberaceae (Temu – Temuan) Menggunakan Metode Fungsi Jarak One Minus Correlation Coefficient. Jurnal Sarjana Teknik Informatika, 288-297.
