Implementasi Metode Ekstraksi Statistik Orde Satu Dan Dua Dan Klasifikasi K-Nearest Neighbor Untuk Mengindindentifikasi Citra MIneral Pada Batuan Sedimen

Pengolahan citra merupakan ilmu dasar identifikasi citra berdasarkan ciri salah satunya ciri tekstur. Ciri tekstur pada citra jika terjadi pola citra yang berulang memenuhi semua bidang citra. Ciri-ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Terdapat beberapa metode untuk memperoleh ciri-ciri tekstur dalam suatu citra, beberapa metode untuk memperoleh ciri-ciri citra tekstur adalah statistika orde satu dan dua. Ciri-ciri tekstur yang didapat dari metode ini adalah entropi, kontras, homogenitas, energi dan dissimilarity. Hasil dari ciri tersebut selanjutnya digunakan untuk klasifikasi menggunakan metode KNN yang menentukan hasil klasifikasi dari jarak K terdekat. Objek yang diuji adalah citra mineral. Berdasarkan penelitian yang telah dilakukan dapat disimpulkan sebagai berikut: metode KNN dapat digunakan untuk klasifikasi citra mineral dengan hasil ekstrkasi ciri orde 1 dan 2. Karena data hasil ekstrkasi ciri dapat langsung digunakan untuk klasifikasi berdasarkan kelas dan nilai K yang telah ditentukan. Berdasarkan hasil pengujian, kesimpulan yang didapatkan adalah metode KNN dapat mengklasifikasi citra dengan baik, dikarenakan data hasil ekstraksi ciri tekstur mineral dengan baik dengan tingkat akurasi 72% pada citra yang ada pada basis data dan 52.% dengan citra yang tidak terdapat pada basis data.

Image processing is an image based on the basic science of identification characteristics of one characteristic texture. Characteristic textures in the image if there is a repeating pattern image meets all areas of the image. The characteristics are the basis for the classification of the image based on the texture. There are several methods to obtain the characteristics of texture within an image, a number of methods to acquire the characteristics of texture image is a statistical order one and two. Texture characteristics obtained from this method is entropy, contrast, homogenity, energy and dissimilarity. Results of these characteristics will be used for classification using KNN method which determines the classification results of K nearest distance. The object being tested is a mineral image. Based on the research that has been done can be summarized as follows: KNN method can be used for image classification results extraction of mineral with characteristic order 1 and 2. Because the data results ekstraction traits can be directly used for classification by grade and K predetermined value. Based on test results, the conclusions obtained are KNN method can classify the image well, because data from mineral texture feature extraction well with a 72% accuracy rate on existing images in the database and 52% with images that are not found in the database.