Klasifikasi Kualitas Biji Jagung Berdasarkan Citra Biji Jagung Menggunakan Ekstraksi Fitur Histogram Dan Metode K-Nearest Neighbor

Anandita, Shafira Hasya (2025) Klasifikasi Kualitas Biji Jagung Berdasarkan Citra Biji Jagung Menggunakan Ekstraksi Fitur Histogram Dan Metode K-Nearest Neighbor. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5001211128-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Jagung merupakan komoditas pertanian utama di Indonesia dengan peran penting dalam berbagai sektor. Kualitas biji jagung menentukan nilai jual dan gizi yang didapat. Oleh karena itu dilakukan klasifikasi untuk memisahkan biji yang layak pakai dan tidak layak pakai. Namun, pemisahan menggunakan cara manual sangat tidak efisien karena keterbatasan kemampuan manusia. Penelitian ini mengembangkan sistem klasifikasi otomatis berbasis citra digital menggunakan metode K-Nearest Neighbor(K-NN) dan ekstraksi fitur histogram. Proses pengolahan ini mencakup pengambilan gambar, pre-processing, ekstraksi fitur, dan klasifikasi kedalam empat kelas yaitu biji normal, bij rusak, bij berjamur dan biji busuk. Dengan sistem ini, klasifikasi kualitas biji jagung diharapkan lebih cepat, akurat, dan objektif dengan menggunakan ekstraksi ciri fitur histogram dan juga metode K-NN untuk membedakan kategori biji jagung. Hasil pengujian menunjukkan bahwa nilai k terbaik pada k = 8. Pada nilai ini, akurasi mencapai 60,83% untuk data pelatihan dan 62,5% untuk data pengujian. Saat nilai k dinaikkan, hasil akurasi menurun. Hal ini menunjukkan bahwa pemilihan nilai k sangat memengaruhi kinerja sistem. Dibandingkan dengan metode Naïve Bayes yang sebelumnya mencapai akurasi 75% pada pelatihan dan 62,5% pada pengujian, metode K-NN memberikan hasil yang cukup baik. Metode ini menunjukkan bahwa fitur histogram dan K-NN dapat digunakan untuk mendukung klasifikasi biji jagung secara otomatis dan lebih efisien
====================================================================================================================================
Corn is a major agricultural commodity in Indonesia with an important role in various sectors. The quality of corn kernels determines the selling value and nutrition obtained. Therefore, classification is carried out to separate usable and unusable kernels. However, separation using manual methods is very inefficient due to limited human capabilities. This study develops an automatic classification system based on digital images using the K-Nearest Neighbor(K-NN) method and histogram feature extraction. This processing process includes image capture, pre-processing, feature extraction, and classification into four classes, namely normal, damaged, moldy and rotten. With this system, the classification of corn kernel quality is expected to be faster, more accurate, and objective by using histogram feature extraction and also the K-NN method in distinguishing corn kernel categories. The test results show that the best k value is at k = 8. At this value, the accuracy reaches 60.83% for training data and 62.5% for testing data. When the k value is increased, the accuracy decreases. This shows that the selection of the k value greatly affects system performance. Compared to the Naïve Bayes method which previously achieved 75% accuracy in training and 62.5% in testing, the K-NN method provides quite competitive results. This approach shows that the combination of histogram and K-NN features can be used to support automatic and more efficient corn seed classification.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi Biji Jagung, Pengolahan Citra Digital, Ekstraksi Fitur Histogram, K-Nearest Neighbor, Corn Kernel Classification, Digital Image Processing, Histogram Feature Extraction, K-Nearest Neighbor
Subjects:	Q Science > QC Physics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Physics > 45201-(S1) Undergraduate Thesis
Depositing User:	Shafira Hasya Anandita
Date Deposited:	23 Jul 2025 05:59
Last Modified:	23 Jul 2025 05:59
URI:	http://repository.its.ac.id/id/eprint/120818

Actions (login required)

View Item