ANALISIS KINERJA KOMBINASI ALGORTIHMA K– NEAREST NEIGHBOR (KNN) DAN PRINCIPAL COMPONEN ANALYSIS (PCA) PADA KLASIFIKASI GAMBAR SPESIES BURUNG

Abstract

Abstrak
Bagi masyarakat umum, mengetahui lebih detail tentang berbagai jenis burung menjadi sulit karena banyaknya
spesies yang ada dan kesamaan yang dimiliki oleh setiap spesies burung dalam hal ukuran tubuh, warna, dan
bentuk fisiknya. Membedakan spesies burung bukanlah tugas yang mudah karena membutuhkan kemampuan,
waktu, dan biaya yang besar untuk mempelajari setiap jenis burung yang ada. Maka dari itu, penelitian ini
bertujuan untuk mengembangkan sistem pengolahan citra untuk pengklasifikasian jenis burung khususnya burung
yang berada di daerah Aceh dengan kombinasi algoritma K-Nearest Neighbor (K-NN) dan Principal Component
Analysis (PCA). Ekstraksi fitur yang digunakan adalah ekstraksi fitur berdasarkan warna dan bentuknya.
Algoritma K-NN dapat mengelompokkan objek tertentu dengan mempertimbangkan jarak terpendek dari objek
tersebut. Berdasarkan kriteria terbaik, maka digunakan metode PCA untuk memperkecil dan mempertahankan
sebagian besar data yang relevan dari ciri aslinya. Berdasarkan hasil pengujian, diperoleh nilai akurasi sebesar
82,50%, presisi sebesar 83,06%, recall sebesar 82,50%. Penggunaan kombinasi algoritma K-NN dan PCA pada
klasifikasi citra jenis burung pada penelitian yang telah dilakukan terbukti mampu meningkatkan akurasi yang
lebih besar dibandingkan dengan hanya menggunakan algoritma K-NN saja