SISTEM KLASIFIKASI VEGETASI PADA CITRA LAHAN KELAPA SAWIT BERDASARKAN TEKSTUR MENGGUNAKAN METODE K-NEARST NEIGHBOR (KNN)

WINDARTI, RETNO ENGGAR (2017) SISTEM KLASIFIKASI VEGETASI PADA CITRA LAHAN KELAPA SAWIT BERDASARKAN TEKSTUR MENGGUNAKAN METODE K-NEARST NEIGHBOR (KNN). undergraduate thesis, Universitas Muhammadiyah Gresik.

	Text 7. ABSTRAK.pdf Download (89kB)
	Text 8. BAB I enggar.pdf Download (102kB)
	Text 9. BAB II enggar.pdf Download (1MB)
	Text 10. BAB III enggar.pdf Download (492kB)
	Text 11.BAB IV rev pak HARUN.pdf Restricted to Registered users only Download (654kB)
	Text 12.BAB V enggar.pdf Download (89kB)
	Text 13. DAFTAR PUSTAKA.pdf Download (174kB)

Abstract

Vegetasi adalah istilah untuk keseluruhan komunitas tetumbuhan di suatu tempat tertentu, mencakup baik perpaduan komunal dari jenis jenis flora penyusunannya maupun tutupan lahan yang dibentuknya. Klasifikasi adalah teknik data mining yang digunakan untuk memprediksi kategori dari objek yang belum memiliki kategori. Penelitian ini membuat sistem yang dapat membedakan citra vegetasi dan bukan vegetasi pada lahan perkebunan kelapa sawit. Mengklasifikasi jenis citra lahan perkebunan kelapa sawit berdasarkan fitur tekstur menggunakan metode K-NN, Sistem ini membutuhkan beberapa proses perbaikan citra, antara lain : proses konversi RGB ke grayscale dan uji nilai co-occurance matrix. dari 800 citra yang telah diidentifikasika untuk menentukan kelompok citra vegetasi dan bukan vegetasi pada lahan perkebunan kelapa sawit berdasarkan tekstur menggunakan metode K-NN yang mencari nilai ketetanggan yang paling dekat dengan K dan menghasilkan akurasi dari tiap K adalah K=3(91%) K=5(91%) K=7(92%) K9=(92%).

Item Type:	Thesis (undergraduate)
Subjects:	Engineering > Informatics Engineering Engineering
Divisions:	Faculty of Engineering > Informatics Engineering Study Program
Depositing User:	tri risdianto saifullah
Date Deposited:	15 Jul 2019 13:04
Last Modified:	15 Jul 2019 13:04
URI:	http://eprints.umg.ac.id/id/eprint/2018

Actions (login required)

View Item