Pengenalan Jenis Tanaman Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Kecerdasan Artifisial K-NearestNeighbor (KNN) dan Fusi Informasi

Abstract

Memilih tanaman mangga yang sesuai dengan yang diinginkan menjadi sebuah tantangan dihadapkan pada tanaman marga Mangifera yang ada saat ini. Kesalahan pemilihan jenis tanaman mangga dapat menyebabkan kekecewaan pada pembeli dan menurunkan kepercayaan kepada penjual tanaman mangga karena dapat dianggap memberikan jenis tanaman yang salah. Permasalahannya adalah jenis tanaman mangga dapat diketahui setelah tanaman tersebut berbuah. Oleh karena itu, dalam upaya mereduksi kesalahan dalam pemilihan sebelum melakukan pembelian tanaman mangga, maka dirancang dan dibangun sebuah sistem pencitraan digital untuk pengenalan jenis tanaman mangga berdasarkan bentuk dan tekstur daun menggunakan metode Kecerdasan Artifisial K-Nearest Neighbor (KNN) yang digabungkan dengan Fusi Informasi guna memperoleh hasil klasifikasi dengan akurasi yang lebih baik. Data citra daun empat macam daun tanaman mangga yakni jenis Gadung, Lalijiwo, Golek dan Irwin, diproses menggunakan metode Local Binary Pattern (LBP) dan Entropy untuk ekstraksi fitur tekstur, dan metode Rectangularity untuk ekstraksi fitur bentuk. Kedua macam fitur tersebut difusikan menjadi masukan bagi pengklasifikasi KNN. Berdasarkan dari hasil-hasil pengujian, K-NN berhasil mengenali keempat jenis tanaman mangga tersebut dengan akurasi tertinggi sebesar 70% pada nilai K = 5, K = 9, K = 10 dan K = 11. Dari hasil pengujian juga diperoleh hasil bahwa fusi informasi mampu mempercepat sistem mengenali jenis tanaman mangga sebesar 0,11 detik. Abstract Choosing the right desired Mango plant is a challenge faced with various types of the existing Mangifera clan plants. The wrong choice of Mango plant species can end up with buyer disappointment and reduce the trust to the seller because it can be considered as providing the wrong type of plant. This happened because the type of Mango plant can only be identified after it bears fruit. In the effort to reduce such error, a digital imaging system was designed and built for recognizing the types of Mango plants based on the leaf shape and texture using Artificial Intelligence’s K-Nearest Neighbor (KNN) combined with Information Fusion to accelerate the classification with a consistent classification results. The image data consists of four kinds of Mango plant leaves, namely Gadung, Lalijiwo, Golek and Irwin. The leaf texture feature was extracted using the Local Binary Pattern (LBP) and Entropy methods, while the leaf shape feature was extracted using the Rectangularity method. The two features are fused as the input for the KNN classifier. Based on the test results, KNN was able to identify the four types of the Mango plant with the highest accuracy of 70% at values of K = 5, K = 9, K = 10, and K = 11. Besides that, it is also obtained a result that, the information fusion is able to speed up the recognition the types of Mango by 0.11 seconds.