KLASIFIKASI TINGKAT KEMATANGAN BUAH NAGA KRISTAL BERDASARKAN WARNA KULIT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS
DOI:
https://doi.org/10.33772/anoatik.v2i2.77Abstrak
Penelitian ini bertujuan untuk mengembangkan sebuah metode yang efektif dalam menentukan tingkat kematangan buah naga pada kelas layak panen, matang, mentah secara otomatis dengan memanfaatkan algoritma K-Nearest Neighbors (K-NN) melalui proses Knowledge Discovery in Databases (KDD). Proses KDD, yang melibatkan serangkaian langkah mulai dari pemilihan data, praproses data, transformasi data, hingga penerapan algoritma untuk menghasilkan pengetahuan yang bermanfaat, digunakan dalam penelitian ini untuk mengolah dan menganalisis data citra buah naga.
Pada penelitian ini klasifikasi diolah melalui tahapan KDD, termasuk proses praproses untuk membersihkan dan mempersiapkan data, Penggunaan Min-Max Normalization untuk menstandarisasi data sehingga semua fitur berada pada skala yang sama, sangat penting untuk kinerja model K-NN, transformasi untuk mengekstraksi data kelas, dan penerapan algoritma K-NN untuk klasifikasi kematangan buah. Pemilihan algoritma K-NN dalam tahapan KDD didasarkan pada kesederhanaan serta kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi.
Hasil penelitian menunjukkan bahwa metode KDD yang diterapkan dengan algoritma K-NN mampu mengklasifikasikan kematangan buah naga dengan Akurasi terbaik diperoleh pada nilai K = 3 dengan persentase akurasi sebesar 91% tanpa memerlukan pemotongan fisik pada buah. Dengan demikian, penelitian ini tidak hanya memberikan kontribusi dalam bidang pertanian presisi tetapi juga menunjukkan bagaimana metode KDD dapat diterapkan secara efektif untuk menyelesaikan masalah nyata di lapangan.
Kata Kunci:
K-Nearest Neighbors (K-NN), Knowledge Discovery in Databases (KDD), Dragon Fruit Ripeness Classification, Data Preprocessing, Data Transformation, RGB Color ModelUnduhan
Referensi
Budianto, A., Ariyuana, R., & Maryono, D. (2018). Perbandingan K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) untuk Klasifikasi Data.
Mohammed, J. Z., & Wagner, M. JR. (2014). Data Mining and Analysis: Fundamental Concepts and Algorithms
Olaode, A. A., Adeyemo, N. G., & Gbadamosi, T. C. A. (2014). Unstructured data mining for smart remote monitoring and diagnostic of industrial plant. In 2014 IEEE Conference on Control Applications (CCA) (pp. 1920-1925). IEEE.
Ha, K., Ahn, C., & Lee, B. J. (2014). Data- driven soft sensor approach for quality prediction in steel industry. IEEE Transactions on Industrial Informatics, 10(1), 111–118.
Rusdiansyah, A., & Taufik, M. (2015). Implementasi data mining untuk evaluasi kinerja akademik mahasiswa menggunakan algoritma Naive Bayes classifier. Jurnal Ilmiah FIFO
Mubarok, M. I., Purwantoro, & Carudin. (2023). Penerapan algoritma k-nearest neighbor (KNN) dalam klasifikasi penilaian jawaban ujian esai. JATI (Jurnal Mahasiswa Teknik Informatika), 7(5), 3446.
Zhang, Y., Yun, Y., An, R., Cui, J., Dai, H., & Shang, X. (2021). Educational Data Mining Techniques for Student Performance Prediction: Method Review and Comparison Analysis. Frontiers in Psychology, 12. https://doi.org/10.3389/fpsyg.2021.698490.
Pradytya, D. A. (2018). Kajian Data Mining Untuk Memprediksi Kelulusan Mahasiswa Dengan Metode Klasifikasi (Studi Kasus: STMIK LIKMI Bandung).
Fadillah, M. F. A., & Mutawakkil, M. R. N. (2023). K-Nearest Neighbor Untuk Klasifikasi Jenis Buah Berdasarkan Berat, Tinggi, dan Lebar.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Erick Hernando, Ade Chandra Saputra, Jadiaman Parhusip

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.