Klasifikasi Rempah Menggunakan Ekstraksi Fitur Histogram Of Oriented Gradient (Hog) dengan Metode K-Nearest Neighbor (K-NN)

Abstract

Rempah-rempah merupakan sumber daya hayati yang telah lama berperan sangat penting dalam kehidupan sehari-hari. Rempah rempah memiliki karakteristik, bentuk, dan warna yang hampir mirip dan sulit untuk membedakan antara rempah satu dengan rempah yang lainnya. Untuk membantu dalam mengenali karakteristik dari rempah-rempah yang ada maka penulis mencoba melakukam penelitian dengan judul. “Klasifikasi Rempah Menggunakan Metode K-Nearest Neigbor (K-NN) Dan Menggunakan Ekstrasi Fitur Histogram oriented of Gradient. Metode yang digunakan dalam penelitian ini adalah K-Nearest Neigbor (K-NN) dan menggunakan ekstraksi fitur Histogram of Oriented Gradien (HOG). Pada penelitian ini dataset yang digunakan sebanyak 2250 sampel citra dan dibagi menjadi dua kategori yaitu data training dan data testing dengan perbandingan 80% dan 20%. Hasil pengujian pada penelitian ini menghasilkan rata-rata akurasi sebesar 92%, presisi 92%, recall 92%, f1 score 92%, fbeta score 92%, dan jaccard score 85%. Berdasarkan pengujian yang telah dilakukan, penggunaan jarak Manhattan memberikan performa terbaik dengan akurasi sebesar 94%, sementara jarak jaccard memperoleh akurasi paling rendah dengan nilai sebesar 62%. Hasil ini menunjukkan bahwa ekstraksi fitur sangat berpengaruh terhadap jumlah jenis dalam mengekstraksi informasi. Histogram of Oriented Gradient (HOG) bekerja secara optimal jika jumlah jenis yang diekstraksi kecil dan tidak optimal jika digunakan dalam sejumlah besar jenis klasifikasi. Spices are biological resources that have long played a very important role in everyday life. Spices have characteristics, shapes, and colors that are almost similar and it is difficult to distinguish one spice from another. To assist in recognizing the characteristics of existing spices, the author tries to do research with the title. "Spices Classification Using the K-Nearest Neighbor (K-NN) Method and Using Histogram Oriented Gradient Feature Extraction. The method used in this study is the K-Nearest Neighbor (K-NN) and uses the Histogram of Oriented Gradient (HOG) feature extraction. In this study, the dataset used was 2250 image samples and divided into two categories, namely training data and testing data with a ratio of 80%: 20%. The test results yield an average accuracy of 92%, 92% precision, 92% recall, 92% f1 score, 92% fbeta score, and 85% jaccard score. Based on testing, the use of the manhattan distance gives the best performance with an accuracy of 94%, while the jaccard distance has the lowest accuracy with a value of 58%. These results indicate that feature extraction greatly influences the number of types in extracting information, the Histogram of Oriented Gradient works optimally when the number of types extracted is small and not optimal when used in a large number of classification types.