A Komparasi Image Matching Menggunakan Metode K-Nearest Neightbor (KNN) dan Support Vector Machine (SVM)

Abstract

Pencocokan gambar adalah proses menemukan gambar digital yang memiliki tingkat kesamaan. mencocokkan gambar menggunakan metode klasifikasi. Dalam mengukur pencocokan gambar, gambar yang digunakan adalah gambar logo asli dan gambar logo hasil manipulasi. Perbandingan algoritma klasifikasi dari dua metode yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine dengan optimasi Sequential Minimal Optimization (SMO) yang digunakan untuk menghitung kecocokan berdasarkan nilai akurasi. Metode klasifikasi K-Nearest Neighbor (KNN) didasarkan pada kedekatan atau perhitungan K sedangkan metode klasifikasi Support Vector Machine (SVM) mengukur jarak antara hyperplane dan data terdekat. Nilai kecocokan gambar diukur dengan Precision, Recall, F1-Score, dan Accuracy. Langkah-langkah pencocokan gambar mulai dari persiapan pemrosesan data, ekstraksi fitur dan bentuk warna HSV, kemudian tahap klasifikasi. Gambar digital digunakan sebanyak 10 gambar yang terdiri dari satu logo asli dan 9 logo yang dimanipulasi. Pada tahap pengujian klasifikasi, menggunakan aplikasi WEKA dengan menerapkan metode validasi silang 10 kali lipat. Dari hasil tes yang dilakukan bahwa metode klasifikasi k-neighbor (KNN) terdekat adalah 80% dan memiliki k = 0,889 yang cukup baik dalam mengukur kedekatan, sedangkan metode klasifikasi SVM adalah 70%. Hasil perbandingan pencocokan gambar ini dapat disimpulkan bahwa metode klasifikasi K-Nearest Neighbor bekerja lebih baik daripada SVM untuk pencocokan gambar.