OPTIMASI EKSTRAKSI FITUR PADA KNN DALAM KLASIFIKASI PENYAKIT DAUN JAGUNG

Di Indonesia jagung sering digunakan sebagai komoditas utama makanan pokok selain nasi. Tanaman jagung memiliki potensi terkena penyakit ataupun serangan hama kapan saja yang menyebabkan gagal panen. Penyakit yang dapat menyerang tanaman jagung bisa dilihat dari perubahan daun. Deteksi dini terhadap penyakit dapat mencegah penyakit menyebar lebih luas, salah satunya dengan perubahan yang terjadi pada daun jagung. Penelitian ini mencoba melakukan identifikasi daun yang tidak sehat dengan cara ekstraksi ciri dan warna pada citra untuk mendeteksi penyakit daun tanaman jagung yaitu hawar, bercak dan karat. Proses klasifikasi citra dilakukan melalui akusisi citra menjadi data latih dan uji, kemudian menghitung nilai hasil fitur ekstraksi warna dan ekstraksi ciri. GLCM (Gray-Level Cooccurrence Matrix) sebagai ekstraksi ciri dan HSV sebagai ekstraksi warna. KNN (K Nearest Neighbors) dengan jarak Euclidean untuk klasifikasi. Dari 160 data citra latih dan 40 citra uji menggunakan algoritma KNN-HSV-GLCM didapatkan hasil akurasi terbaik.yaitu 85% dengan menggunakan dengan nilai k adalah 3 dan jarak piksel 1 dan akurasi terendah dengan nilai k adalah 3 dan jarak piksel 3 sebesar 70%.