Email this article 
Hide
Show all
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%.
Full Text:
PDFReferences
K. Pranata, L. Yunus, and M. A. Limi, “Analisis komparatif pendapatan pengolah kopra hitam dengan pengolah kopra putih di desa horongkuli kecamatan toari kabupaten kolaka,” vol. 4, no. 6, pp. 156–160, 2019.
H. F. G. Kaseke, B. Riset, D. Standardisasi, and I. Manado, “Pengaruh Larutan Sulfit Terhadap Bahan Baku Kelapa Untuk Pembuatan Kopra Putih Effect of Sulfite Solution in Raw of White Copra Production,” J. Penelit. Teknol. Ind., vol. 8, no. Desember, pp. 151–158, 2016.
A. Abdullah, U. Usman, and M. Efendi, “Sistem Klasifikasi Kualitas Kopra Berdasarkan Warna dan Tekstur Menggunakan Metode Nearest Mean Classifier (NMC),” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 4, pp. 297–303, 2017.
Masparudin, Abdullah, and Usman, “Sistem Prediksi Kualitas Santan Kelapa Menggunakan Nearest Mean Classifier (NMC),” Sist. J. Sist. Inf., vol. 9, no. 3, pp. 646–655, 2020.
I. C. R. Drajana, “Metode Support Vector Machine Dan Forward Selection Prediksi Pembayaran Pembelian Bahan Baku Kopra,” Ilk. J. Ilm., vol. 9, no. 2, pp. 116–123, 2017.
R. . Kusumanto and A. N. Tompunu, “Pengolahan Citra Digital untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB,” in Studies in Environmental Science, 2011, vol. 2011, pp. 329–332.
A. Budi, S. Suma’inna, and H. Maulana, “Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA),” J. Tek. Inform., vol. 9, no. 2, pp. 166–175, 2018.
N. C. S. Reddy, K. S. Prasad, and A. Mounika, “Classification Algorithms on Datamining : A Study,” vol. 13, no. 8, pp. 2135–2142, 2017.
D. Risdianti, Murad, and G. M. D. Putra, “Kajian Pengeringan Jahe (Zingiber Officinale Rosc) Berdasarkan Perubahan Geometrik Dan Warna Menggunakan Metode Image Analysis,” J. Ilm. Rekayasa Pertan. dan Biosist., vol. 4, no. 2, pp. 275–284, 2016.
U. Program, K. Mahasiswa, F. X. Prisyafada, A. Hardawati, and M. A. Ilham, “Universitas gadjah mada yogyakarta 2012,” 2012.
Z. Zhang, “Introduction to Machine Learning : k-Nearest Neighbors,” Ann. Transl. Med., vol. 4 (11), no. June, pp. 1–7, 2016.
F. Yunita, “Sistem Klasifikasi Penyakit Diabetes Mellitus Menggunakan Metode K-Nearest Neighbor ( k-NN ),” Bappeda, vol. 2, pp. 223–230, 2016.
Abdullah, B. Rianto, and S. Aina, “Prediksi Kualitas Ikan Senangin Berdasarkan Warna dan Tekstur,” JIKO (Jurnal Inform. dan Komputer) STMIK AKAKOM, vol. 4, pp. 35–44, 2019.
P. Galdi and R. Tagliaferri, “Data Mining: Accuracy and Error Measures for Classification and Prediction,” in Encyclopedia of Bioinformatics and Computational Biology, 2019.
J. M. Kirimi and C. Moturi, “Application of Data Mining Classification in Employee Performance Prediction,” Int. J. Comput. Appl., vol. 146, pp. 28–35, 2016.
DOI: https://doi.org/10.32520/stmsi.v10i2.1200
Article Metrics
Abstract view : 1557 timesPDF - 389 times
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.