IDENTIFIKASI JENIS MORPH DASAR BALL PYTHON BERDASARKAN WARNA DAN MOTIF MENGGUNAKAN K-NEAREST NEIGHBOR

71130141, ALBERTUS MICHAEL HARIYANTO (2018) IDENTIFIKASI JENIS MORPH DASAR BALL PYTHON BERDASARKAN WARNA DAN MOTIF MENGGUNAKAN K-NEAREST NEIGHBOR. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71130141_bab1_bab5_daftarpustaka.pdf Download (418kB)
	Text (Skripsi Informatika) 71130141_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Ball Python merupakan salah satu spesies ular yang hidup di muka bumi ini. Jenis ular ini memiliki keunikan dengan berbagai jenis atau morph yang memiliki warna serta motif pada kulit Ball Python yang berbeda satu dengan jenis lainnya. Ragam warna dan motif dari jenis Ball Python sendiri cukup beragam dan terkadang mirip, sehingga dapat menyulitkan dalam pengenalan setiap jenis atau morph dari Ball Python itu sendiri. Pada penelitian ini dirancang sebuah program identifikasi jenis morph dasar Ball Python berdasarkan warna dan motif menggunakan K-Nearest Neighbor. Penelitian ini menggunakan delapan jenis Ball Python dasar, yaitu Albino, Axantic, Banana, Lesser, Pastel, Piebald, Pinstripe, dan Spider. Identifikasi jenis Ball Python akan dilakukan dengan melihat warna dan motif dari Ball Python. Untuk warna akan digunakan metode Histogram Warna dan untuk motif atau tekstur akan digunakan metode Grey Level Co-occurrence Matrices (GLCM). Penelitian ini memiliki tiga skenario penelitian dengan perbedaan susunan data latih yang dipilih dan jumlah data latih. Hasil pengujian dari sistem menunjukan adanya perbedaan tingkat akurasi. Akurasi tertinggi terdapat pada skenario ketiga dengan jumlah data latih 96 citra (dipilih secara acak) dan jumlah data uji 64 citra (dipilih secara acak). Tingkat akurasi hasil klasifikasi rata-rata dari semua kelas yang didapatkan sebesar 83.4375% dikenali dengan benar jenis data uji yang dimasukkan. Untuk skenario 1 dengan jumlah data latih 80 citra (dipilih berdasarkan posisi Ball Python berada di tengah frame) dan 80 data uji, didapatkan tingkat akurasi hasil klasifikasi rata-rata dari semua kelas dengan nilai sebesar 79.75%. Untuk skenario 2 dengan jumlah data latih 80 citra (dipilih secara acak) dan 80 data uji (dipilih secara acak), didapatkan tingkat akurasi hasil klasifikasi rata-rata dari semua kelas dengan nilai sebesar 70%.

Actions (login required)

View Item