KLASTERISASI KESEHATAN DAUN MENGGUNAKAN K-MEANS CLUSTERING DENGAN TEKNIK PENGOLAHAN CITRA

Abstract

Abstract: Leaves are an important part of plants that greatly influence the health and quality of the plant. Poor leaf conditions, such as yellow or degraded leaves, can indicate problems in plant growth or health. Manual classification of fresh and yellow leaves can be time-consuming and often inconsistent, necessitating a more efficient automated method. The main goal of this research is to implement an image processing-based automatic classification system to classify fresh and yellow leaves based on visual features such as color, texture, and shape, to improve efficiency and consistency in plant health monitoring. To distinguish brightness and color, images are processed by converting the RGB color space to LAB. Using the K-Means Clustering algorithm, images are grouped into two clusters, each consisting of fresh leaves and yellow leaves. The data used in this research consists of eight images, each comprising four images of fresh leaves and four images of yellow leaves. The research results show that this method successfully classified fresh and yellow leaves with an accuracy rate of 100%, with 8 out of 8 images correctly identified. The K-Means Clustering method has been demonstrated as an effective and accurate method for determining leaf health conditions.

Keywords: Fresh Leaves, Yellow Leaves, K-Means Clustering, Image Processing,

                Feature Extraction

Abstrak: Daun merupakan bagian penting dari tumbuhan yang sangat mempengaruhi kesehatan dan kualitas tanaman. Kondisi daun yang buruk, seperti daun kuning atau daun yang terdegradasi, dapat menunjukkan adanya masalah dalam pertumbuhan atau kesehatan tanaman. Klasifikasi daun segar dan daun kuning secara manual dapat memakan waktu dan sering kali tidak konsisten, sehingga diperlukan metode otomatis yang lebih efisien. Tujuan utama dari penelitian ini adalah untuk mengimplementasikan sistem klasifikasi otomatis berbasis pengolahan citra dalam mengklasifikasikan daun segar dan daun kuning berdasarkan fitur visual seperti warna, tekstur, dan bentuk, guna meningkatkan efisiensi dan konsistensi dalam proses pemantauan kesehatan tanaman. Untuk membedakan kecerahan dan warna, gambar diproses dengan mengubah ruang warna RGB ke LAB. Dengan menggunakan algoritma K-Means Clustering, gambar dikelompokkan ke dalam dua kelompok, masing-masing terdiri dari daun segar dan daun kuning. Data yang digunakan dalam penelitian ini terdiri dari delapan gambar, masing-masing terdiri dari empat gambar daun segar dan empat gambar daun kuning. Hasil penelitian menunjukkan bahwa metode ini berhasil mengklasifikasikan daun segar dan daun kuning dengan tingkat akurasi 100%, dengan 8 dari 8 gambar teridentifikasi dengan benar. Metode K-Means Clustering telah ditunjukkan sebagai metode yang efektif dan akurat untuk menentukan kondisi kesehatan daun.

Kata kunci:  Daun Segar, Daun Kuning, K-Means Clustering, Pengolahan Citra,  Ektraksi Fitur.