IDENTIFIKASI JENIS TUMBUHAN BERDASARKAN MORFOLOGI DAUN MENGGUNAKAN ALGORITMA MODIFIED K-NEAREST NEIGHBOR

Tumbuhan obat merupakan salah satu produk hasil hutan yang disediakan alam yang dipercayai dan diketahui masyarakat berkhasiat sebagai obat. Di Indonesia sendiri terdapat lebih dari 38.000 spesies tumbuhan yang tersebar diberbagai wilayah dan perhutanan Indonesia. Bahkan beberapa jenis tanaman obat memiliki ciri yang sama satu dengan lainnya dan ditambah adanya unsur subjektif dari mata manusia dalam proses mengidentifikasi jenis tanaman obat. Pada penelitian ini, ada 25 citra yang digunakan sebagai data pengujian pendeteksian jenis tumbuhan terbagi atas 5 citra daun apium graveolens (Seledri), 5 citra daun bidens pilosa (Ketul), 5 citra daun bixaorellana (Kesumba Keling), 5 citra daun gossypium herbaceum (Kapas) dan 5 citra daun illicium verum (Bunga Lawang) yang didapat dari github repositories. Proses yang dilakukan pada pendeteksian jenis tumbuhan meng-input citra RGB setelah itu citra dikonversi menjadi citra grayscale, citra grayscale digunkan untuk eksttraksi fitur tekstur dengan GLCM dan eksttraksi fitur bentuk dengan Morfologi. Sebelumnya citra grayscale diproses dengan Otsu Tresholding, kemudian hasil dari Otsu Tresholding diubah kebiner setelah itu baru masuk pada proses ekstraksi fitur bentuk dengan Morfologi. Eksttraksi fitur tekstur dengan GLCM menghasilkan energy dan entropi dan eksttraksi fitur bentuk dengan Morfologi menghasilkan solidity yang digunakan untuk klasifikasi dengan metode Modified k-Nearest Neighbors (MKNN). Pengujian dilakukan dengan 100 sampel citra dimana dataset dipisah, 75 citra digunakan sebagai data latih dan 25 citra lainnya digunakan sebagai data uji. Hasil pengujian menunjukan K = 3 memiliki persentasi Accuracy = 93.6%, Precision = 85.29%, Recall = 84% dan Error =16%. K = 5 memiliki persentasi Accuracy = 92%, Precision = 81.29%, Recall = 80% dan Error =20%. Sedangkan K = 7 memiliki persentasi Accuracy = 87.2%, Precision = 62.5%, Recall = 68% dan Error =32%. Hasil pendeteksian jenis tumbuhan dengan nilai K = 3, 5 dan 7. Membuktikan bahwa pendeteksian terbaik didapatkan dengan menggunakan nilai K = 3. nilai K ini dapat digunakan untuk pendeteksian jenis tumbuhan karena mampu mendeteksi citra daun lebih baik dari pada K = 5 dan K = 7. s