TONDANG, Yudi Andreas (2025) Klasifikasi Citra Beras Menggunakan Metode K-Nearest Neighbors dan Ekstraksi Fitur Gray Level Co-occurrence Matrix. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1.COVER.pdf Download (196kB)
	Text 2.HALAMAN KEASLIAN SKRIPSI.pdf Download (267kB)
	Text 3.HALAMAN PENGESAHAN.pdf Download (292kB)
	Text 4.KATA PENGANTAR.pdf Download (323kB)
	Text 6.ABSTRAK.pdf Download (265kB)
	Text 7.ABSTRACT.pdf Download (186kB)
	Text 8.DAFTAR ISI.pdf Download (313kB)
	Text 11.BAB I.pdf Download (425kB)
	Text 16.Daftar Pustaka.pdf Download (368kB)

Abstract

Beras merupakan salah satu bahan pangan pokok di Asia khususnya Indonesia, beras yang
paling umum dikonsumsi adalah beras putih. Varietas beras putih menjadi varietas beras
yang dipilih dalam melakukan penelitian ini karena merupakan varietas yang paling umum
dikonsumsi. Dengan banyaknya varietas beras putih yang beredar, seringkali menyulitkan
konsumen dalam menentukan pilihan varietas akibat kemiripan warna dan bentuk. Penelitian
ini menggunakan lima varietas beras putih yang berbeda sebagai sampel yaitu beras Arborio,
Basmati, Ipsala, Jasmine, dan Karacadag. Data dalam penelitian ini diperoleh dari web
Kaggle dengan judul Rice Image Dataset. Penelitian ini menggunakan dataset berupa
gambar sehingga Algoritma Gray Level Co-Occurrence (GLCM ) menjadi algoritma yang
tepat untuk digunakan dalam melakukan ekstraksi feature. Algoritma GLCM mampu
mengekstrak 5 feature yaitu Contras, Dissimilarity, Correlation, Energy, dan Homogeneity.
Proses ekstraksi dilakukan dengan menganalisis 4 sudut berbeda dengan jarak ketetanggan
1 piksel. Untuk proses klasifikasi, penelitian ini menggunakan algoritma Machine Learning
K-Nearest Neighbor (KNN) yang dikenal dengan kemampuannya dalam mengenali pola.
Dalam Penerapannya terdapat 5 kelas dalam dataset dan tiap kelas terdiri dari 2000 data
sehingga keseluruhan data menjadi 10000 citra. Dimana 80% data digunakan sebagai data
latih dan 20% data digunakan sebagai data uji. Hasil pengujian algoritma KNN menunjukkan
akurasi yang tinggi sebesar 96,55%. Tingkat akurasi yang tinggi ini menunjukkan bahwa
kombinasi ekstraksi fitur GLCM dan algoritma klasifikasi KNN sangat efektif dalam
mengklasifikasikan varietas beras berdasarkan karakteristik visual.
Kata Kunci : Beras, Feature, Ekstraksi, Gray Level Co-Occurrence, K-Nearest Neighbor

Actions (login required)

View Item