Klasifikasi Jenis Tanaman Aglaonema Berdasarkan Corak Daun Menggunakan Metode KNN (K Nearest Neighbor)

Tanaman hias telah menjadi bagian integral dari kehidupan masyarakat modern, tidak hanya sebagai penghias ruangan yang estetis tetapi juga sebagai penyeimbang ekosistem dalam ruangan. Salah satu tanaman hias yang paling populer dan diminati di Indonesia, bahkan hingga kancah internasional, adalah Aglaonema. Tanaman yang sering dikenal dengan sebutan "Sri Rejeki" ini terkenal akan keindahan daunnya yang memiliki beragam corak, warna, dan tekstur yang unik. Keragaman morfologi pada daun Aglaonema ini merupakan daya tarik utama, namun di sisi lain juga menimbulkan tantangan tersendiri dalam hal identifikasi.

Dengan puluhan hingga ratusan hibrida yang beredar di pasaran, membedakan jenis Aglaonema satu dengan lainnya seringkali membingungkan, bahkan bagi para penggemar tanaman sekalipun. Kebanyakan orang mengandalkan pengalaman subyektif atau visual sederhana untuk mengenali jenis tanaman ini. Pendekatan manual tersebut rentan terhadap kesalahan karena perbedaan pencahayaan, usia daun, dan kondisi kesehatan tanaman dapat mempengaruhi tampilan corak daun. Oleh karena itu, diperlukan sebuah sistem yang bersifat objektif, akurat, dan dapat diandalkan untuk mengklasifikasikan jenis-jenis Aglaonema berdasarkan ciri khasnya, yaitu corak daun.

Perkembangan teknologi komputer, khususnya di bidang Pengolahan Citra Digital dan Kecerdasan Buatan (Artificial Intelligence), memberikan solusi yang efektif untuk masalah ini. Salah satu metode paling sederhana namun powerfull yang digunakan dalam klasifikasi pola adalah metode KNN atau K-Nearest Neighbor. Metode ini digunakan untuk mengklasifikasikan objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dalam konteks tanaman Aglaonema, metode KNN bekerja dengan membandingkan ciri visual utama dari daun yang akan diidentifikasi dengan database yang telah berisi berbagai contoh corak daun Aglaonema yang sudah diketahui jenisnya.

Tantangan dalam Identifikasi Aglaonema

Sebelum memasuki pembahasan teknis algoritma, penting untuk memahami mengapa identifikasi Aglaonema itu kompleks. Genus Aglaonema memiliki variasi yang sangat luas. Beberapa spesies memiliki daun yang dominan berwarna hijau dengan sedikit bercak merah, sementara varietas hibrida lainnya dapat memiliki warna dominan merah muda, putih, atau perpaduan warna yang kompleks seperti 'Lady Valentine', 'Red Anjamani', atau 'Cecilia'. Corak daun tidak hanya soal warna, tetapi juga melibatkan pola urat daun, tekstur permukaan, dan distribusi pigmen.

Identifikasi manual seringkali dipengaruhi oleh faktor lingkungan. Sebagai contoh, tanaman Aglaonema yang ditempatkan di tempat yang kurang cahaya mungkin memiliki warna daun yang kurang tajam atau cenderung lebih hijau dibandingkan tanaman sejenis yang terpapar sinar matahari penuh. Selain itu, faktor penyakit atau kekurangan nutrisi dapat mengubah warna daun, misalnya menjadi kuning atau pucat, yang dapat disalahartikan sebagai ciri varietas tertentu. Sistem klasifikasi komputer dirancang untuk mengabaikan gangguan noise semacam ini dan berfokus pada fitur intrinsik yang mendefinisikan varietas tanaman tersebut.

Konsep Dasar Pengolahan Citra Digital

Untuk menerapkan metode KNN, citra daun Aglaonema harus terlebih dahulu diproses menjadi data yang dapat dipahami oleh komputer. Proses ini melibatkan beberapa tahap utama dalam pengolahan citra digital. Tahap pertama adalah Pra-pemrosesan (Preprocessing). Pada tahap ini, citra daun yang diambil menggunakan kamera (baik kamera profesional maupun smartphone) dibersihkan dari gangguan. Gangguan ini bisa berupa noise (gangan) akibat pencahayaan yang tidak rata atau latar belakang yang kompleks.

Salah satu teknik umum dalam pra-pemrosesan adalah konversi citra berwarna (RGB) menjadi citra keabuan (grayscale) untuk mempermudah deteksi tepi, atau penggunaan filter Gaussian untuk menghaluskan citra. Namun, karena fokus utamanya adalah "corak" atau warna, informasi warna merupakan fitur krusial yang tidak boleh dihilangkan sepenuhnya. Oleh karena itu, penghapusan latar belakang (segmentasi) menjadi langkah vital. Daun harus dipisahkan dari pot atau tanah di belakangnya sehingga komputer hanya menganalisis area daun saja. Segmentasi ini sering dilakukan menggunakan teknik thresholding atau konversi ruang warna HSV (Hue, Saturation, Value) untuk memisahkan objek utama (daun) dari latar belakang dengan lebih presisi.

Setelah citra bersih dan objek daun terisolasi, langkah selanjutnya adalah Ekstraksi Ciri (Feature Extraction). Ini adalah jantung dari sistem pengenalan pola. Komputer tidak "melihat" daun seperti manusia, melainkan melihat serangkaian angka. Ekstraksi ciri bertujuan menerjemahkan visual corak daun menjadi nilai numerik. Fitur yang diekstraksi biasanya meliputi:

• Fitur Warna (Color Features): Menggunakan statistik dari ruang warna RGB atau HSV, seperti nilai rata-rata (mean), standar deviasi, dan skewness dari intensitas warna merah, hijau, dan biru pada daun.
• Fitur Tekstur (Texture Features): Menggunakan metode seperti GLCM (Gray-Level Co-occurrence Matrix) untuk mengukur kehalusan, keseragaman, dan pola pemendekan urat daun. Ini membantu membedakan dua varietas yang mungkin memiliki warna mirip tetapi tekstur permukaan yang berbeda.
• Fitur Bentuk (Shape Features): Meskipun fokusnya adalah corak, bentuk daun (seperti rasio aspek, elongasi, dan kebulatan) kadang-kadang digunakan sebagai fitur pendukung untuk meminimalisir kesalahan klasifikasi.

Metode K-Nearest Neighbor (KNN)

Setelah fitur-fitur daun berhasil diekstraksi dan diubah menjadi vektor data, sistem siap melakukan klasifikasi menggunakan algoritma KNN. KNN adalah salah satu algoritma pembelajaran mesin yang bersifat supervised (pembelajaran terpandu) dan lazy learning (pembelajaran malas). Mengapa disebut malas? Karena algoritma ini tidak membangun model generalisasi secara eksplisit saat tahap pelatihan, melainkan hanya menyimpan semua data latih (training data) dan menunggu data baru (query point) masuk untuk dilakukan proses klasifikasi.

Cara kerja KNN secara sederhana dapat dijelaskan sebagai berikut: Ketika kita memiliki citra daun Aglaonema yang tidak diketahui jenisnya, sistem akan menghitung jarak antara vektor fitur daun tersebut dengan vektor fitur dari seluruh sampel daun yang ada dalam database latih. Pengukuran jarak yang paling umum digunakan adalah Euclidean Distance, yang menghitung garis lurus antara dua titik dalam ruang multidimensi. Metrik lain yang bisa digunakan adalah Manhattan Distance atau Minkowski Distance, tergantung pada karakteristik data.

Nilai 'K' dalam KNN merupakan sebuah parameter yang menunjukkan jumlah tetangga terdekat yang akan digunakan dalam keputusan klasifikasi. Misalnya, jika kita menetapkan nilai K=3, sistem akan mencari 3 sampel latih yang paling mirip (jaraknya terdekat) dengan daun yang sedang diidentifikasi. Setelah 3 tetangga terdekat ditemukan, sistem akan melakukan pemungutan suara (voting). Jika dari 3 tetangga terdekat, 2 diantaranya adalah jenis 'Red Anjamani' dan 1 adalah jenis 'Lady Valentine', maka sistem akan mengklasifikasikan daun yang baru tersebut sebagai 'Red Anjamani'.

Penentuan nilai K sangat krusial terhadap performa algoritma. Jika nilai K terlalu kecil (misalnya K=1), klasifikasi menjadi sangat sensitif terhadap noise atau data pencil (outlier) dalam dataset latih, yang bisa menyebabkan kesalahan pengenalan. Sebaliknya, jika nilai K terlalu besar, batas keputusan menjadi terlalu halus dan dapat mencampuradukkan kelas yang seharusnya berbeda, sehingga menurunkan akurasi. Oleh karena itu, dalam penelitian klasifikasi Aglaonema, biasanya dilakukan beberapa kali percobaan dengan nilai K yang berbeda (ganjil seperti 1, 3, 5, 7, dst.) untuk menemukan nilai K yang menghasilkan akurasi tertinggi.

Implementasi dan Alur Sistem

Implementasi sistem klasifikasi ini biasanya melibatkan alur kerja yang terstruktur. Pertama, pengumpulan data (Data Acquisition). Peneliti atau pengguna mengambil foto makro daun Aglaonema dari berbagai angle dengan pencahayaan yang konsisten. Dataset ini kemudian dibagi menjadi dua bagian: data latih (training data) dan data uji (testing data). Proporsi pembagian umumnya adalah 80% untuk latih dan 20% untuk uji, atau menggunakan teknik cross-validation untuk memastikan keandalan model.

Selanjutnya, kedua set data (latih dan uji) menjalani proses ekstraksi ciri yang sama. Hasil ekstraksi ciri dari data latih disimpan dalam sebuah matriks fitur. Ketika data uji dimasukkan, algoritma KNN berjalan. Sistem akan membandingkan setiap baris pada matriks fitur data uji dengan seluruh baris pada matriks fitur data latih. Hasil klasifikasi kemudian dibandingkan dengan label asli (ground truth) dari data uji untuk mengukur tingkat keberhasilan.

Dalam konteks aplikasi web atau mobile modern, proses ini dapat diotomatisasi. Pengguna cukup memotret daun Aglaonema menggunakan kamera ponsel. Aplikasi di latar belakang melakukan pra-pemrosesan, ekstraksi ciri warna dan tekstur secara instan, mengirimkan nilai fitur tersebut ke server atau memprosesnya di perangkat (edge computing) menggunakan algoritma KNN, dan dalam hitungan detik memberikan output berupa nama jenis tanaman serta persentase tingkat keyakinan (confidence level).

Evaluasi Kinerja

Untuk mengetahui apakah metode KNN ini efektif mengklasifikasikan Aglaonema, dilakukan pengujian menggunakan matriks konfusi (Confusion Matrix) dan perhitungan akurasi. Metrik evaluasi lainnya meliputi Presisi (Precision), Recall, dan F1-Score. Penelitian-penelitian sebelumnya dalam bidang pengenalan tanaman menunjukkan bahwa KNN seringkali memberikan hasil yang memuangkan untuk dataset yang tidak terlalu besar dan kompleks, dengan syarat bahwa ekstraksi cirinya dilakukan dengan tepat.

Jika akurasi yang dihasilkan masih rendah, biasanya masalahnya terletak pada kualitas fitur, bukan pada algoritma KNN itu sendiri. Peningkatan dapat dilakukan dengan menambah jumlah data latih untuk setiap varietas agar lebih mewakili variasi, atau menggunakan metode ekstraksi tekstur yang lebih canggih seperti Local Binary Patterns (LBP). Selain itu, normalisasi data juga penting untuk memastikan bahwa fitur dengan rentang nilai besar (seperti intensitas warna) tidak mendominasi fitur dengan rentang nilai kecil saat menghitung jarak Euclidean.

Kesimpulan

Penggunaan metode KNN untuk klasifikasi jenis tanaman Aglaonema berdasarkan corak daun merupakan pendekatan yang logis dan efisien. KNN menawarkan kemudahan implementasi dan kemampuan adaptasi yang baik terhadap variasi pola tanpa memerlukan proses pelatihan yang komputasi berat seperti pada jaringan syaraf tiruan (Artificial Neural Networks). Bagi masyarakat umum, pecinta tanaman, dan petani hortikultura, teknologi ini memberikan manfaat yang nyata.

Dengan adanya sistem klasifikasi otomatis ini, identifikasi tanaman Aglaonema tidak lagi menjadi misteri yang membingungkan. Ia membantu memastikan keaslian varietas saat pembelian, membantu kolektor dalam mengelola inventaris tanaman mereka, dan mendukung pelestarian biodiversitas tanaman hias melalui pendokumentasian digital yang akurat. Meskipun KNN adalah metode sederhana, kombinasinya dengan teknik ekstraksi ciri citra yang tepat menjadikannya alat yang (powerful) dalam dunia agroteknologi modern. Masa depan identifikasi tanaman berbasis komputer cerdas ini menjanjikan kemudahan akses informasi bagi siapa saja, kapan saja, dan di mana saja.