<![CDATA[Perkembangan teknologi informasi mendorong pemanfaatan image processing dan machine learning dalam proses identifikasi objek berbasis citra, termasuk pada klasifikasi bunga yang memiliki variasi warna, bentuk, dan tekstur yang beragam. Tantangan utama dalam klasifikasi citra bunga terletak pada tingginya dimensi fitur yang dapat meningkatkan kompleksitas komputasi dan menurunkan performa model. Penelitian ini mengusulkan integrasi metode Principal Component Analysis (PCA) dan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan lima jenis bunga khas Indonesia, yaitu Anggrek Tebu, Bunga Sepatu, Kantong Semar, Melati Putih, dan Rafflesia Arnoldii. Proses penelitian dimulai dengan pra-pemrosesan citra, dilanjutkan dengan ekstraksi fitur warna (RGB dan HSV), bentuk, serta tekstur menggunakan metode LBP dan GLCM. PCA digunakan untuk mereduksi dimensi fitur agar lebih sederhana namun tetap representatif, sedangkan KNN digunakan untuk melakukan klasifikasi berdasarkan kedekatan jarak antar sampel. Berdasarkan hasil pengujian, kombinasi PCA dan KNN menghasilkan akurasi klasifikasi sebesar 72%. Kelas Rafflesia Arnoldii menunjukkan performa paling tinggi, sedangkan Bunga Sepatu memiliki tingkat akurasi terendah karena kemiripan tekstur dan warna dengan kelas lain. Hasil ini menunjukkan bahwa integrasi PCA dan KNN efektif dalam meningkatkan efisiensi komputasi sekaligus mempertahankan akurasi klasifikasi citra bunga.]]>
Copyrights © 2025
