Klasifikasi Buah Pinang Berdasarkan Data Sensor Menggunakan Metode K-Nearest Neighbor Berbasis Web

Dea Rizki Febrinamas; Rahmi Hidayati; Irma Nirmala

doi:10.47065/josyc.v4i4.3805

Dea Rizki Febrinamas Universitas Tanjungpura, Pontianak, Indonesia
Rahmi Hidayati * Universitas Tanjungpura, Pontianak, Indonesia
Irma Nirmala Universitas Tanjungpura, Pontianak, Indonesia

(*) Corresponding Author

DOI: https://doi.org/10.47065/josyc.v4i4.3805

Keywords: Buah Pinang; Confusion Matrix; Data Sensor; K-Nearest Neighbor; RGB

Abstract

Buah Pinang merupakan salah satu jenis buah yang banyak diekspor dan memiliki manfaat dalam bidang kecantikan, pewarna makanan serta sebagai bahan baku untuk industri tekstil. Proses klasifikasi buah pinang secara manual membutuhkan waktu dan tenaga yang banyak. Sehingga untuk membantu mempercepat dan mempermudah proses klasifikasi buah pinang dibutuhkan sistem klasifikasi yang dapat mengenali buah pinang berdasarkan warna dalam berbagai tingkat kematangan buah yaitu mentah, matang dan tua. Penelitian ini menggunakan metode K-Nearest Neighbor (K-NN) untuk proses klasifikasi buah pinang. Data yang digunakan sebanyak 600 data yang diperoleh dari sensor, terdiri dari 200 buah pinang mentah, 200 buah pinang matang, dan 200 buah pinang tua. Parameter yang digunakan yaitu mentah, matang dan tua dengan rentang nilai Red, Green, Blue (RGB) yang berbeda setiap kondisinya. Pengujian menggunakan nilai ketetanggaan (K) yaitu 5, 7, 9 dan 11 dan diperoleh nilai ketetanggaan (K) terbaik adalah K = 7. Hasil pengujian dilakukan menggunakan confusion matrix didapatkan nilai accuracy sebesar 98,33%, recall sebesar 97,24%, dan precision sebesar 100%.

Downloads

Download data is not yet available.

References

I. Sagrim, M. H. Soekamto, dan ., “Pembibitan Tanaman Pinang (Areca catechu) Dengan Menggunakan Berbagai Media Tanam,” Median J. Ilmu Ilmu Eksakta, vol. 10, no. 2, hal. 28–36, 2019, doi: 10.33506/md.v10i2.295.

Marina, “Manfaat dan Toksisitas Pinang (Areca catechu) Dalam Kesehatan Manusia,” Bina Gener. J. Kesehat., vol. 11, no. 2, hal. 29–34, 2020, doi: 10.35907/bgjk.v11i2.140.

R. Febrianti, D. Fitriyani Saragih, dan A. Hasairin, “Studi Karakteristik dan Botani Ekonomi Pinang (Arecha catechu L.) di Pusat Pasar Kota Medan,” Pros. Sixth Postgraduation Bio Expo 2021, hal. 370–380, 2021.

M. F. Barkah, “Klasifikasi Rasa Buah Jeruk Pontianak Berdasarkan Warna Kulit Buah Jeruk Menggunakan Metode K-Nearest Neighbor,” Coding J. Komput. dan Apl., vol. 08, no. 01, hal. 55–66, 2020.

S. Hartiningtyas, I. Ruslianto, dan R. Hidayati, “Klasifikasi Jenis Mangga Berdasarkan Fitur Bentuk Dan Warna Daun Dengan Menggunakan Metode K-Nearest Neighbor Berbasis Android,” J. Coding, Sist. Komput. Untan, vol. 6, no. 1, hal. 12–23, 2018.

S. R. Raysyah, Veri Arinal, dan Dadang Iskandar Mulyana, “Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan Deteksi Warna Menggunakan Metode Knn Dan Pca,” JSiI (Jurnal Sist. Informasi), vol. 8, no. 2, hal. 88–95, 2021, doi: 10.30656/jsii.v8i2.3638.

A. Firmansyah, A. Abdullah, dan S. Samsudin, “Rancang Bangun Sistem Klasifikasi Biji Pinang Menggunakan Metode Nearest Mean Classifier Berbasis Android,” Sistemasi, vol. 10, no. 1, hal. 250, 2021, doi: /10.32520/stmsi.v10i1.1207.

A. D. Styandi, D. Syauqy, dan W. Kurniawan, “Klasifikasi Umur Padi berdasarkan Data Sensor Warna dengan menggunakan Metode K-NN,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 9, hal. 2548–964, 2019, [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id

J. Homepage, S. R. Cholil, T. Handayani, R. Prathivi, dan T. Ardianita, “IJCIT (Indonesian Journal on Computer and Information Technology) Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 6, no. 2, hal. 118–127, 2021.

L. Farokhah, “Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, hal. 1129, 2020, doi: 10.25126/jtiik.2020722608.

C. Paramita, E. Hari Rachmawanto, C. Atika Sari, dan D. R. Ignatius Moses Setiadi, “Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, hal. 1–6, 2019, doi: 10.30591/jpit.v4i1.1267.

S. Ndala, A. J. Santoso, dan S. Suyoto, “Identifikasi Tingkat Kematangan Buah Pinang Menggunakan Backpropagation dan Transformasi Ruang Warna,” J. Ilm. Tek. Elektro Komput. dan Inform., vol. 4, no. 2, hal. 1, 2019, doi: 10.26555/jiteki.v4i2.11741.

J. W. G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning Edisi 1.4 (17 Agustus 2020),” vol. 4, hal. 45–46, 2020.

Suyanto, Machine Learning: Tingkat Dasar dan Lanjut. Bandung, Indonesia: Informatika, 2018.

Yunitasari, H. S. Hopipah, dan R. Mayasari, “Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive Bayes,” Technomedia J., vol. 6, no. 1, hal. 99–110, 2021, doi: 10.33050/tmj.v6i1.1531.

M. Zaini, Data Mining:Konsep dan Aplikasi. Andi, 2018.

T. Ridwansyah, “Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 2, no. 5, hal. 178–185, 2022, doi: 10.30865/klik.v2i5.362.

A. Rahim, K. Kusrini, dan E. T. Luthfi, “Convolutional Neural Network untuk Kalasifikasi Penggunaan Masker,” Inspir. J. Teknol. Inf. dan Komun., vol. 10, no. 2, hal. 109, 2020, doi: 10.35585/inspir.v10i2.2569.

S. Narkhede, Understanding Confusion Matrix. 2018.

A. O. Sari, A. Abdilah, dan Sunarti, Web Programming I. Yogyakarta: Graha Ilmu, 2019.

Bila bermanfaat silahkan share artikel ini

Berikan Komentar Anda terhadap artikel Klasifikasi Buah Pinang Berdasarkan Data Sensor Menggunakan Metode K-Nearest Neighbor Berbasis Web