Implementasi Algoritma K-Nearest Neighbor Pada Klasifikasi Image Berdasarkan Pola Fitur dan Tekstur

Abstract

Pencarian gambar berdasarkan konten dapat menggunakan Content Based Image Retrieval (CBIR). CBIR bekerja dengan mengukur kemiripan gambar kueri dengan semua gambar dalam basis data sehingga biaya kueri berbanding lurus dengan jumlah gambar dalam basis data. Membatasi rentang pencarian gambar dengan mengklasifikasikan adalah salah satu cara untuk mengurangi biaya kueri dalam CBIR. Penerapan metode K-Nearest Neighbor bertujuan untuk mengklasifikasikan gambar dan mengukur tingkat akurasi dan waktu klasifikasi. Dalam penelitian ini, sebuah perangkat lunak dibangun yang dapat mengekstrak fitur warna dan tekstur dari sebuah gambar menggunakan metode Color Histogram dan Edge Histogram Descriptor. Hasil dari proses ekstraksi fitur kemudian digunakan oleh perangkat lunak dalam proses pembelajaran dan klasifikasi menggunakan metode K-Nearest Neighbor. Perangkat lunak dibangun menggunakan metode analisis dan desain terstruktur dan kemudian diimplementasikan menggunakan bahasa pemrograman VB.net. Hasil klasifikasi akhir kemudian diuji dengan parameter tingkat akurasi dan waktu klasifikasi. Hasil pengujian menunjukkan bahwa kombinasi fitur warna dan tekstur memberikan tingkat akurasi yang lebih tinggi dibandingkan dengan klasifikasi berdasarkan fitur dan tekstur saja, tetapi membutuhkan waktu klasifikasi yang lebih lama.