Klasifikasi Kopra Putih Menggunakan Algoritma k-Nearest Neighbor

Abstract

Buah kelapa adalah bagian pohon kelapa yang sering dimanfaatkan untuk kehidupan manusia yaitu kehidupan pangan, daunnya sering dimanfaatkan untuk pembuatan kerajinan tangan di beberapa daerah, batangnya sering digunakan untuk bahan bangunan, selain itu buah kelapa juga bisa diolah menjadi minyak kelapa, bahkan kelapa juga dijadikan bahan baku pada sejumlah industri penting seperti kosmetik, sabun, dan lain-lain. Kopra putih merupakan komoditi ekspor yang telah ada sejak lama. Sebagian besar hasil produksi kopra putih di ekspor ke India, Pakistan, Uni Emirat Arab, dan Bangladesh. Kopra putih memiliki nilai ekonomis lebih baik dibanding kopra hitam. Tujuan penelitian ini adalah membangun sistem prediksi kualitas kopra putih dengan menggunakan ciri warna (RGB) dan bentuk (Area dan Perimeter). R, G, dan B masing-masing merupakan besaran yang menyatakan nilai intensitas warna merah, hijau, dan biru. Area suatu objek adalah jumlah piksel penyusun objek tersebut dan unit umum digunakan adalah piksel, karena sejumlah piksel tadi membentuk suatu luasan. Area dapat mencerminkan ukuran atau berat objek sesunggunhnya. Hal ini berlaku untuk benda pejal dengan bentuk yang hampir seragam, tetapi tidak demikian untuk benda yang berongga. Perimeter, adalah bagian terluar dari suatu objek yang bersebelahan dengan piksel latar. Metode klasifikasi yang digunakan untuk melakukan prediksi adalah k-Nearest Neighbor. Metode k-Nearest Neighbor memiliki prinsip kerja mencari kemiripan antara data yang akan dievaluasi dengan data sampelnya. Nilai k yang digunakan pada penelitian ini adalah k= 1, k=3 dan k=5. Pengukuran kemiripan menggunakan Euclidean Distance, yang merupakan selisih nilai piksel 2 vektor ciri yang dievaluasi. Pengujian hasil prediksi menggunakan metode Holdout. Akurasi yang diperoleh pada saat menggunakan k=1 sebesar 93,33%, pada k = 3 sebesar 83,33%, dan pada k=5 sebesar 81,67%. Akurasi terbaik untuk prediksi kopra putih menggunakan metode k-nearest neighbor didapat pada k=1, yakni sebesar 93,33%.

Case Base Reasoning for Diagnosing the Level of Hyperemesis Gravidarum in Pregnant Women using K-Nearest Neighbor

“…K-Nearest Neighbor Retrieval adalah sebuah algoritma untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Tujuan dari dari algoritma ini adalah untuk mengklasifikasikan objek baru berdasarkan atribut dan fiturnya [21]. Algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi dari data pembelajaran.…”

Algoritma K-Nearest Neighbors dan Synthetic Minority Oversampling Technique dalam Prediksi Pemesanan Tiket Pesawat

“…Tahapan algoritma K-Nearest Neighbor (K-NN) dijelaskan sebagai berikut: (1) persiapkan data training (data sampel) dan data testing (data uji), (2) Penentuan nilai k dan (3) Perhitungan jarak data testing ke setiap data training [16]. Langkah-langkah dalam klasifikasi pada K-Nearest Neighbor (K-NN) menurut penelitan [17] adalah sebagai berikut: a. Menentukan parameter k (jumlah tetangga paling dekat).…”