Identifikasi Jenis Tanaman Jamur Beracun Menggunakan Pendekatan K-Nearest Neighbor

Abstract

Jamur merupakan tanaman yang tidak memiliki klorofil dan hidupnya bergantung pada mahkluk hidup lainnya. Jenis jamur sangat beragam, bermanfaat dalam bidang pangan, kesehatan, ekonomi, pertanian dan ada pula yang dapat menyebabkan infeksi bahkan kematian pada manusia. Pengenalan akan tanaman tersebut masih sangat terbatas, cara konvensional juga masih menjadi pilihan utama dalam identifikasi jamur oleh manusia. Oleh karena itu, diperlukan adanya suatu pendekatan untuk mengidentifikasi tanaman jamur beracun tersebut. Metode identifikasi yang digunakan dalam penelitian ini adalah K-Nearest Neighbor. Citra tanaman jamur digunakan sebagai citra masukan untuk proses pengolahan citra. Sebelum diidentifikasi dilakukan proses prapengolahan citra yaitu grayscaling, segmentasi citra yaitu canny edge dan thresholding, ekstraksi ciri citra menggunakan metode zoning. Proses pengujian pada penelitian ini menggunakan 40 jenis citra tanaman jamur dan menghasilkan kemampuan mengidentifikasi jenis tanaman jamur beracun dengan akurasi sebesar 90%.

Fungus is a plant with no chlorophyll and its life depends on other living things. There’s a variety type of fungus, beneficial in the field of food, agriculture, economy. But some fungus could cause infection, sickness and even death to human. The identification of such fungus is still limited, where human still use the conventional way to identify fungus. Hence, a new method must be used to identify these poisonous fungus. The identification method used in this research is K-Nearest Neighbor. Imagery of the fungus is used for the process, before identification is done, the image had to be preprocessed by grayscaling it, then image will proceed to the next process which is segmentation using canny edge and thresholding, then image characteristic extraction is done using zoning method. The process done in this research utilized 40 types of fungus imagery and generated poisonous fungus identification capability with the accuracy of 90%.