Studi Perbandingan Kombinasi GMI, HSV, KNN, dan CNN pada Klasifikasi Daun Herbal

Abstract

Tumbuhan herbal memiliki banyak variasi yang dapat dikenali melalui ciri uniknya secara visual. Namun, cara ini sulit diterapkan pada tumbuhan yang memiliki ciri hampir sama. Penelitian ini membandingkan kinerja metode K-Nearest Neighbour (KNN) dan Convolutional Neural Network (CNN) dalam klasifikasi fitur daun herbal yang diekstraksi dengan menggunakan Geometric Moment Invariant (GMI) dan Hue Saturation Value (HSV). Dataset yang digunakan adalah dataset citra daun katuk (Sauropus androgynus) dan daun kelor (Moringa oleifera) dengan skenario citra terang dan citra gelap. Pembagian data untuk tiap skenario adalah 80% untuk training dan 20% untuk testing. Metode KNN diuji menggunakan nilai  dan evaluasi kinerja KNN dan CNN meliputi accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa CNN tanpa ekstraksi fitur dan CNN dengan kombinasi ekstraksi fitur HSV memperoleh performa terbaik dengan rata-rata nilai precision, recall, f1-score dan accuracy sebesar 98% untuk skenario gelap maupun terang.