<![CDATA[Penelitian ini bertujuan untuk meningkatkan efektivitas deteksi objek pada sistem Internet of Things (IoT) melalui optimalisasi metode ekstraksi fitur dan klasifikasi. Mengetahui kompleksitas algoritma pada sistem deteksi objek merupakan strategi untuk optimasi pada sistem IOT. Metode ekstraksi fitur yang digunakan adalah Gray Level Co-occurrence Matrix (GLCM), dengan fitur tekstur seperti kontras, homogenitas, energi, dan entropi dari suatu objek gambar. Untuk metode klasifikasi yang dikombinasikan dengan GLCM meliputi K-Nearest Neighbors (K-NN), Support Vector Machines (SVM), Decision Trees, dan Neural Networks. Dari hasil pengujian waktu eksekusi berbagai algoritma klasifikasi seperti K-NN, SVM, Decision Trees, dan Neural Networks, terlihat perbedaan yang signifikan dalam efisiensi dan skalabilitas masing-masing algoritma. SVM menunjukkan waktu eksekusi tertinggi dengan pertumbuhan eksponensial (O(n^3)), sehingga kurang efisien dan kurang sesuai untuk dataset yang sangat besar. Untuk K-NN memiliki kompleksitas waktu eksekusi yang linear dalam faktor k (O(nk)), namun masih terdapat peningkatan secara signifikan dengan bertambahnya jumlah data. Decision Trees, dengan kompleksitas log-linear (O(n log n)), menunjukkan keseimbangan yang baik antara efisiensi dan skalabilitas, sehingga model ini sesuai untuk dataset yang lebih besar dibandingkan SVM dan K-NN. Neural Networks menunjukkan sebagai algoritma yang efisien dengan pertumbuhan waktu eksekusi yang paling lambat (O(n)), sehingga model tersebut sesuai untuk dataset besar.]]>
