IMPLEMENTASI ALGORITMA K-MEANS DAN DETEKSI TEPI LAPLACIAN OF GAUSSIAN PADA CITRA DIGITAL DAUN TIN UNTUK PENGELOMPOKKAN JENIS GREEN YORDAN, BROWN TURKEY, DAN RED PALESTINE

IMPLEMENTATION OF K-MEANS ALGORITHM AND LAPLACIAN OF GAUSSIAN EDGE DETECTION OF DIGITAL IMAGE OF FIG LEAVES FOR CLUSTERING TYPES GREEN YORDAN, BROWN TURKEY, AND RED PALESTINE

Algoritma k-Means merupakan algoritma yang sangat populer digunakan untuk mengelompokkan data secara akurat berdasarkan fitur-fitur tertentu, salah satunya dalam pengelompokkan hasil analisis citra digital. Kelebihan algoritma k Means pernah diuji oleh salah satu peneliti terdahulu untuk membedakan daun tin yang sehat dan yang sakit melalui hasil analisis tekstur citra digital dan menghasilkan akurasi ketepatan yang cukup tinggi. Berdasarkan hal tersebut, Penulis tertarik untuk mengetahui apakah algoritma k-Means juga dapat diimplementasikan untuk mengelompokkan tanaman tin sesuai jenisnya berdasarkan karakteristik struktur bentuk dari citra digital daun. Di Indonesia sendiri, jenis tin yang paling sering dijumpai adalah jenis Green Yordan, Brown Turkey, dan Red Palestine. Selain dari buah, ketiga varietas tanaman tin ini juga dapat dikenali dengan mengamati bentuk daunnya secara saksama karena terdapat karakteristik khusus yang menjadi acuan pembedanya. Untuk dapat mengidentifikasi karakteristik struktur bentuk citra digital daun tin dari ketiga jenis tadi diperlukan suatu alat bantu yakni metode deteksi tepi. Metode deteksi tepi adalah teknik pengolahan citra digital yang bertujuan untuk mengidentifikasi titik-titik di mana terjadi perubahan intensitas citra yang signifikan, yang secara efektif menandai batas atau garis objek dalam citra. Laplacian of Gaussian (LoG) dipilih sebagai alat pendeteksi tepi pada penelitian ini karena mampu meminimalisasi derau (noise) pada citra digital, sehingga pendeteksian tepi objek lebih akurat. Adapun fitur morfologi atau bentuk seperti area, perimeter, dan circularity hasil deteksi tepi LoG juga dapat dihitung. Penerapan metode deteksi tepi LoG dan analisis nilai fitur morfologi pada 105 citra digital daun tin (35 gambar daun tin jenis Green Yordan, 35 gambar daun tin jenis Brown Turkey, dan 35 gambar daun tin jenis Red Palestine) dalam penelitian ini menghasilkan data numerik yang digunakan untuk pengelompokkan dengan algoritma k-Means. Data hasil uji pengelompokkan tersebut dibandingkan dengan data klasifikasi jenis daun tin yang telah diketahui sebelumnya untuk mengecek apakah setiap data masuk ke klaster yang benar. Semakin banyak jumlah citra digital atau gambar daun tin yang masuk ke klasternya dengan tepat maka semakin tinggi persentase kesesuaiannya. Hasilnya 77 dari 105 citra digital daun tin masuk ke klaster yang tepat, sehingga akurasi ketepatannya sebesar 73.33%. Dalam penelitian ini, tidak ada sumber literatur yang secara khusus menyatakan bahwa akurasi 73.33% langsung menunjukkan suatu metode itu efektif. Efektivitas sebuah metode berdasarkan tingkat akurasinya sangat tergantung pada konteks dan bidang aplikasi yang spesifik. Dalam penelitian ini, yang fokus pada pengelompokkan citra digital daun tin menggunakan algoritma k-Means dan deteksi tepi LoG, tingkat akurasi 73.33% dianggap menunjukkan keberhasilan metode ini. Hal ini karena terjadi peningkatan dalam hasil dibandingkan dengan penelitian sebelumnya di bidang yang sama. Keberhasilan ini juga didukung oleh faktor-faktor seperti kompleksitas data dan variasi dalam citra daun tin yang Penulis analisis.

Kata kunci: K-Means, LoG, Tin

The k-Means algorithm is a highly popular method used for accurately clustering data based on specific features, one of which is in the clustering of digital image analysis results. The advantages of the k-Means algorithm was previously tested by a researcher to differentiate between healthy and diseased fig leaves through digital image texture analysis, resulting in a relatively high accuracy. Based on this, the author was interested in determining whether the k-Means algorithm could also be implemented to cluster fig plants according to their type based on the characteristics of the digital image structure of the leaves. In Indonesia, the most commonly found fig types are Green Yordan, Brown Turkey, and Red Palestine. Besides the fruit, these three fig plant varieties can also be identified by carefully observing the shape of their leaves, as they possess specific characteristics that serve as distinguishing markers. To identify the characteristics of the digital image structure of the fig leaves of these three types, an aiding tool is required, namely an edge detection method. Edge detection is a digital image processing technique aimed at identifying points where significant changes in image intensity occur, effectively marking the boundaries or lines of objects in an image. Laplacian of Gaussian (LoG) was chosen as the edge detection tool in this study because it can minimize noise in digital images, thus making edge detection of objects more accurate. Morphological features or shapes such as area, perimeter, and circularity resulting from LoG edge detection can also be calculated. The application of the LoG edge detection method and the analysis of morphological feature values on 105 digital fig leaf images (35 images of Green Yordan, 35 images of Brown Turkey, and 35 images of Red Palestine) in this study produced numerical data used for clustering with the k-Means algorithm. The data from the clustering test was compared with the pre-known classification data of fig leaf types to check whether each data entered the correct cluster. The higher the number of digital images or fig leaf pictures that accurately enter their cluster, the higher the percentage of conformity. The result was that 77 out of 105 digital fig leaf images were correctly clustered, resulting in an accuracy rate of 73.33%. In this study, there is no specific literature source that states that an accuracy of 73.33% directly indicates that a method is effective. The effectiveness of a method based on its accuracy level highly depends on the context and specific field of application. In this study, which focuses on clustering digital fig leaf images using the k-Means algorithm and LoG edge detection, an accuracy rate of 73.33% is considered to indicate the success of this method. This is due to the improvement in results compared to previous research in the same field. This success is also supported by factors such as the complexity of the data and the variation in the fig leaf images that the author analyzed.

Keywords: K-Means, LoG, Fig