Skripsi/Tugas Akhir

Penentuan Kejernihan Air Secara Realtime Berdasarkan Citra Menggunakan Metode KNN Berbasis Android

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Kejernihan air merupakan salah satu indikator kualitas air bersih yang penting. Air minum berkualitas tinggi ditandai dengan tidak memiliki rasa, bau, warna, dan bebas dari logam berat. Untuk menilai tingkat kejernihan air, aplikasi ini menggunakan ekstraksi fitur warna dengan model Hue, Saturation, Value (HSV) dan metode K-Nearest Neighbor (KNN). Model warna HSV memainkan peran penting dalam mendefinisikan warna air, sementara algoritma KNN membantu mengklasifikasikan kualitas air berdasarkan data pelatihan dan kedekatan. Aplikasi ini memprediksi kualitas air (Kelas A, B, C) dengan membandingkannya dengan tetangga terdekat. Temuan penelitian, berdasarkan 60 sampel uji air secara realtime dan non realtime, secara realtime menunjukkan bahwa aplikasi ini berhasil mengidentifikasi 54 kasus dengan benar dan 6 kasus identifikasi salah sedangkan secara non realtime berhasil mengidentifikasi 52 kasus dengan benar dan 8 kasus identifikasi salah. Meskipun ada kasus yang terklasifikasi secara tidak tepat, tingkat akurasi realtime keseluruhan mencapai 90%, dengan presisi sebesar 86,9%, recall sebesar 90%, dan F1 Score sebesar 89,15%. Dan pada pengujian jarak dengan 3 kali pengujian, sebanyak 2 kali pengujian yang berhasil di klasifikasi dan 1 kali pengujian yang gagal diklasifikasi. Penelitian ini memberikan kontribusi dalam pengembangan sistem yang dapat secara signifikan membantu masyarakat atau industri dalam menilai kejernihan air.
Kata Kunci: Air, Kejernihan, RGB, HSV, KNN

ABSTRACT
Water clarity is a crucial indicator of clean water quality. High-quality drinking water is characterized by its lack of taste, odor, color, and freedom from heavy metals. To assess water clarity, this application employs color feature extraction using the Hue, Saturation, Value (HSV) model and the K-Nearest Neighbor (KNN) method. The HSV color model plays a vital role in defining water color, while the KNN algorithm aids in classifying water quality based on training data and proximity. This application predicts water quality (Class A, B, C) by comparing it with its nearest neighbors. Research findings, based on 60 real-time and non-realtime water samples, indicate that the application successfully identified 54 cases correctly and misidentified 6 cases in real-time. In non-real-time, it correctly identified 52 cases and misidentified 8 cases. Despite some misclassifications, the overall real-time accuracy rate reached 90%, with a precision of 86.9%, recall of 90%, and an F1 Score of 89.15%. In distance testing with three trials, two out of three trials were successfully classified, and one trial failed to be classified. This research contributes to the development of a system that can significantly assist communities or industries in assessing water clarity.
Keywords: Water, Clarity RGB, HSV, KNN

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 24-49 OKO p - 0641TI

Penerbit

Makassar : Universitas DIPA., 2024

Deskripsi Fisik

xiii + 131 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 24-49

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 22 Februari 2024

Subjek

Skripsi/Tugas Akhir
K-Nearest Neighbor
Aplikasi Android

Lampiran File