Implementasi K-Means dan K-NN pada Pengklasifikasian Citra Bunga

Abstract

Abstract - Clustering and classification methods are part of data mining. The resulting output consists of the prediction results of labeling of the type of interest using the combined K-Means method and the K-NN method using a dataset with 5 30% test data combinations and 70% training data from 5 types of local flowers in Tomohon City, North Sulawesi. From the tests performed, the results of leveling segmentation using K-Means & K-NN get the highest accuracy with 85% results. The withdrawal and precision testing got the highest yield of 88% and 85% using the K-Means & K-NN segmentation method. Testing the fastest average time calculation value of 1,230 seconds in K-Means & K-NN segmentation.

 

Keywords: Flower; Image; Convolutional Neural Network; VGG16; Deep Learning; K-Means Clustering; K-Nearest Neighbors.

 

 

Abstrak – Metode Clustering dan klasifikasi merupakan bagian dari data mining. Keluaran yang dihasilkan berupa hasil predict pelabelan dari jenis bunga menggunakan gabungan metode K-Means dan metode K-NN dengan menggunakan dataset dengan 5 perbandingan data test 30% dan data training 70% dari 5 jenis bunga lokal Kota Tomohon, Sulawesi Utara. Dari pengujian yang dilakukan, hasil tingkat akurasi segmentasi menggunakan K-Means & K-NN mendapatkan akurasi tertinggi dengan hasil 85%. Pengujian recall dan precision mendapatkan hasil paling tinggi 88% dan 85% dengan menggunakan metode segmentasi K-Means & K-NN. Pengujian nilai rata-rata waktu komputasi paling cepat adalah 1,230 detik pada segmentasi K-Means & K-NN.

 

Kata kunci : Bunga; Citra; Convolutional Neural Network; VGG16; Deep Learning; K-Means Clustering; K-Nearest Neighbors.