IMPLEMENTASI METODE K-NEAREST NEIGHBOR (KNN) DAN METODE RANDOM FOREST UNTUK KLASIFIKASI CITRA SERAT KAYU PALAPI DAN URU BERBASIS TEKSTUR GRAY-LEVEL CO�OCCURRENCE (GLCM

Dalam klasifikasi citra serat kayu diperlukan metode yang mampu membedakan
jenis kayu secara otomatis dan akurat. Penelitian ini membahas implementasi
metode K-Nearest Neighbor (KNN) dan Random Forest untuk mengklasifikasikan
citra serat kayu Palapi dan Uru berdasarkan fitur tekstur. Ekstraksi fitur dilakukan
menggunakan metode Gray-Level Co-Occsurrence Matrix (GLCM) untuk
memperoleh empat parameter utama yaitu contrast, correlation, energy, dan
homogeneity. Tujuan dari penelitian ini adalah mengimplementasikan dan
membandingkan performa kedua metode klasifikasi tersebut. Total data yang
digunakan adalah 1056 citra yang terdiri atas 846 data latih dan 210 data uji. Proses
klasifikasi dilakukan menggunakan perangkat lunak Matlab R2025a. Evaluasi
kinerja model dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan
F1-score. Berdasarkan hasil pengujian didapatkan bahwa metode K-Nearest
Neighbor (KNN) memberikan hasil yang lebih baik dengan nilai akurasi, presisi,
recall, dan F1-score yang lebih tinggi dibandingkan metode Random Forest.
Kata kunci: K-Nearest Neighbor, Random Forest, Gray-Level Co-Occurrence
Matrix, Serat Kayu, Klasifikasi Citra.