KLASIFIKASI CITRA JENIS RAS KUCING MENGGUNAKAN METODE GLCM DAN DECISION TREE

Abstract

Identifikasi ras kucing sering menyulitkan banyak orang karena kemiripan ciri fisik antar ras, terutama pada British Shorthair, Maine Coon, dan Exotic Shorthair. Kesalahan identifikasi kerap terjadi karena metode manual bergantung pada pengamatan subjektif dan pengalaman individu. Penelitian ini bertujuan mengembangkan sistem klasifikasi citra ras kucing yang lebih objektif dan akurat dengan memanfaatkan fitur tekstur. Metode yang digunakan adalah ekstraksi fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM) dan klasifikasi menggunakan algoritma Decision Tree C4.5. Dataset terdiri dari 1200 citra kucing yang telah melalui tahap preprocessing berupa konversi grayscale dan resizing citra. Fitur GLCM yang diekstraksi meliputi Contrast, Correlation, Homogeneity, Energy, Dissimilarity, dan ASM. Model kemudian diuji pada empat skenario pembagian data untuk memperoleh kinerja optimal. Hasil penelitian menunjukkan bahwa skenario pembagian data 70% training dan 30% testing menghasilkan akurasi terbaik sebesar 81.31%. Temuan ini membuktikan bahwa kombinasi GLCM dan Decision Tree C4.5 mampu mengenali pola tekstur bulu secara efektif dan dapat menjadi alternatif metode klasifikasi citra dengan kebutuhan komputasi yang ringan