Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi Buah Mangga Apriani1*.
Himamunanto2.
Haeni Budiati3 Informatika.
Universitas Kristen Immanuel.
Sleman.
Indonesia *e-mail Corresponding Author: deaapriani127@gmail.
Abstract This Research aim of comparing the modified K-means method for classification processing of training models (Supervise.
with the K-NN method using the Mango Arumanis.
Golek.
Madu and Gedong classes.
Feature extraction used in processing classification methods is based on shape characteristics consisting of metric and eccentricity.
The research results obtained that the percentage precision of the K-NN method was Arumanis: 0.
Madu: 0.
Gedong:
Golek: 0.
8%, and the K-Means method was Arumanis: 0.
Honey: 0.
Gedong:
Golek 0.
The recall percentage of the K-NN method is Arumanis: 0.
Madu:
Gedong: 1.
Golek: 0.
89% and the K-means method is Arumanis: 0.
Madu: 0 64%.
Gedong: 1.
Golek: 0.
The accuracy percentage of the K-NN classification method is Arumanis: 94.
Madu: 89.
Gedong: 97.
Golek: 92.
11% and the KMeans method is Arumanis: 83.
Madu: 83.
Gedong: 96.
Golek: 86.
For global precision, recall and accuracy values, the K-NN method is greater than the K-Means Thus, the K-Means classification method which was modified to use supervised training data is still not as good as the K-NN method in classifying mango fruit types.
It is hoped that the accuracy of the method for classifying mango fruit plant types by extracting shape characteristics can obtain uniform shape quality.
Keywords: Image Processing.
Feature Extraction.
K-means.
K-NN.
Metric.
Eccentricity Abstrak Penelitian dengan tujuan komparasi Metode K-means yang dimodifikasi untuk pemrosesan klasifikasi model pelatihan (Supervise.
dengan MetodeK-NN mempergunakan kelas Mangga Arumanis.
Golek.
Madu dan Gedong.
Ekstraksi ciri yang dipergunakan dalam pemrosesan metode klasifikasi berdasarkan ciri bentuk yang terdiri dari metric dan eccentricity.
Hasil penelitian memperoleh presentase precision metode K-NN adalah Arumanis: 0,9%.
Madu:
0,9%.
Gedong: 0,9%.
Golek: 0,8%, dan metode K-Means adalah Arumanis: 0,7%.
Madu: 0,9%.
Gedong: 0,9%.
Golek 0,6%.
Presentase recall metode K-NN adalah Arumanis: 0,90%.
Madu:
0,75%.
Gedong: 1,00%.
Golek: 0,89% dan metode K-means adalah Arumanis: 0,70%.
Madu:
0,64%.
Gedong: 1,00%.
Golek: 0,86%.
Presentase Accuracy metode klasifikasi K-NN adalah Arumanis: 94,59%.
Madu: 89,74%.
Gedong: 97,22%.
Golek: 92,11% dan metode K-Means adalah Arumanis: 83,78%.
Madu: 83,78%.
Gedong: 96,88%.
Golek: 86,11%.
Untuk nilai precision, recall dan accuracy secara global adalah metode K-NN lebih besar daripada metode K-Means.
Dengan demikian, metode klasifikasi K-Means yang dimodifikasi untuk dapat mempergunakan data pelatihan .
masih belum mampu sebaik Metode K-NN dalam klasifikasi jenis buah mangga.
Diharapkan akurasi metode klasifikasi jenis tanaman buah mangga dengan ekstraksi ciri bentuk dapat memperoleh kualitas bentuk yang seragam.
Kata kunci: Pengolahan Citra.
Ekstraksi Ciri.
K-means.
K-NN.
Metric.
Eccentricity Pendahuluan Pengembangan metode pengolahan citra agar semakin maju telah terdorong oleh peningkatan kebutuhan implementasi teknologi yang dipergunakan untuk membantu pekerjaan manusia dalam berbagai bidang.
Pekerjaan tersebut misalnya dalam bidang industri pertanian dengan melibatkan teknologi computer dapat mempersingkat waktu pekerjaan seperti klasifikasi jenis buah mangga yang saat ini telah memiliki banyak keragaman.
Sudah menjadi Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi a.
Apriani 736 e-ISSN: 2685-0877 pengetahuan umum, tanaman yang tergolong dalam genus Mangifera Indica menghasilkan buah mangga dengan keistimewaan rasa manis yang telah menjadi buah favorit pilihan berbagai kalangan masayarakat .
Beberapa penelitian terkait dengan metode klasifikasi untuk mengidentifikasi buah mangga telah banyak dilakukan dengan berbagai pendekatan.
Sehingga, pertanyaan mengenai akurasi metode klasifikasi jenis buah mangga akan terus berkelanjutan sampai sejauh mana untuk mengembangkan metode klasifikasi yang lebih efektif.
Metode pengolahan citra sering kali dipergunakan untuk memperbaiki kualitas citra agar menjadi lebih baik.
Bahkan, tidak jarang pengolahan citra dipergunakan menganalisa citra untuk menarik suatu informasi tertentu .
Pemrosesan dengan komputasi intensitas piksel maupun geometris wilayah obyek dapat memperoleh informasi nilai untuk mempresepsikan visual pada obyek yang terdapat citra .
Informasi nilai tersebut dapat dipergunakan sebagai ciri pembeda objek yang dapat ditentukan dari warna, tekstur, ataupun bentuk .
Ciri bentuk dapat menggunakan parameter metric dan eccentricity dalam mengklasifikasikan obyek dengan kecenderungan bulat mupun memanjang .
Berdasarkan bentuknya, buah mangga dapat dibedakan jenisnya yang beragam seperti bentuk bulat, lonjong telur, bulat yang memanjang, tidak terlalu tebal, dengan rata-rata panjang 2,5-30 cm .
Sehingga, klasifikasi buah mangga yang didasari dengan ciri bentuk dapat dipergunakan untuk mengelompokan jenis buah mangga dengan keseragaman bentuk.
Informasi obyek yang tergabung dalam data dapat dilakukan pemrosesan klasifikasi berdasarkan ciri untuk mengenali obyek tersebut.
Metode klasifikasi yang menggunakan kumpulan data yang telah dilatih terlebih dahulu dalam kelas data dapat digunakan untuk menentukan kelas pada input disebut dengan terbimbing .
Sedangkan, metode klasifikasi tanpa menggunakan arahan atau pelatihan data terlebih dahulu disebut dengan tidak terbimbing .
Oleh karena itu, model metode klasifikasi harus memperhatikan karakter atau ciri yang dimiliki objek klasifikasi .
Penelitian dengan klasifikasi pada jenis buah mangga telah banyak dilakukan dengan menggunakan berbagai ragam metode untuk menentukan jenis tanaman mangga .
Metode klasifikasi yang berbasis pelatihan kelas data training .
untuk menentukan suatu ciri input yaitu KNN, sedangkan metode klasifikasi .
yang paling popular dipergunakan adalah KMeans .
Dengan demikian, metode klasifikasi diperlukan komparasi untuk memperoleh potensi level akurasi apabila menggunakan ciri bentuk yang terdiri dari metric dan eccentricity dalam klasifikasi jenis tanaman mangga.
Berdasarkan uraian yang melatarbelakangi masalah pada penelitian ini, usulan topic penelitian berikut adalah komparasi metode K-Means dan K-NN untuk pengklasifikasian.
Penelitian dengan tujuan untuk memperoleh akurasi yang terbaik untuk klasifikasi input citra jenis buah mangga pada metode K-Means dan K-NN.
Paramater yang digunakan dalam ciri bentuk terdiri dari metric dan eccentricity.
Fokus penelitian pengukuran level akurasi metode klasifikasi K-Means dan KNN.
Hal ini mengingat kontribusi metode klasifikasi sangat diperlukan dalam menjaga kualitas produksi yang mengelompokan jenis buah mangga dengan bentuk yang seragam.
Dengan harapan penggunakan teknologi ini dapat membantu perkerjaan manusia agar selesai lebih cepat dalam kemajuan industri pertanian.
Tinjauan Pustaka Penelitian berkaitan dengan metode klasifikasi yang telah dilakukan mempergunakan metode Metode Backpropagation untuk mengklasifikasikan jenis tanaman mangga.
Pemrosesan mempergunakan ciri bentuk yang terdiri dari metric dan eccentricity, sedangkan ciri tekstur mempergunakan contrast, correlation, energy dan homogeneity.
Berdasarkan hasil pengujian dengan mempergunakan data sebanyak 60 citra pelatihan dan input pengujian sebanyak 40 citra diperoleh akurasi sebesar 95% .
Penelitian berikutnya yang mengklasifikasikan jenis buah mangga menggunakan metode Backpropagation dalam sistem ensiklopedia digital.
Penelitian bertujuan untuk mengklasifikasikan jenis buah mangga untuk dipergunakan dalam melengkapi informasi yang terbatas mengenai jenis buah mangga pada saat ini.
Metode yang dipergunakan dalam ekstraksi cir terdiri dari area, perimeter, eccentricity, major axis length dan diameter.
Terdapat 5 jenis buah mangga yang dipergunakan yang terdiri dari Mangga Apel.
Gedong.
Gincu.
Golek.
Manalagi dan Gadung diperoleh akurasi pelatihan 99,6% dan pengujian 96% .
Penelitian yang mengklasifikasikan jenis tanaman mangga dengan input citra daun berikut menggunakan Metode Backpropagation.
Proses klasifikasi dengan komputasi Progresif: Vol.
No.
Agustus 2024: 735-747 Progresif e-ISSN: 2685-0877 menggunakan model ciri bentuk dan tekstur.
Pada ekstraksi ciri bentuk, model ciri yang dipergunakan adalah metric dan eccentricity, sedangkan untuk ekstraksi ciri tekstur terdiri dari contrast, correlation, energy dan homogenity.
Pengujian mempergunakan 60 citra training dan 40 citra testing memperoleh akurasi sebesar 95% .
Penelitian berikutnya menggunakan Metode Convolutional Neural Network (CNN) untuk mengklasifikasikan jenis tanaman buah mangga dengan input citra daun mangga.
Penelitian ini melibatkan dataset dengan jumlah 72 citra yang terdiri dari jenis mangga Arumanis.
Golek, dan Manalagi.
Hasil pengujian membutuhkan waktu untuk pemrosesan dengan rata-rata paling cepat 2 detik dan kebutuhan waktu paling lama membutuhkan 52 detik.
Sedangkan nilai akurasi diperoleh rata-rata dengan nilai 1 .
Penelitian dengan mengklasifikasikan jenis tanaman mangga dengan input citra buah mangga menggunakan metode Metode K-Nearest Neighbor yang berbasis android.
Pemrosesan dengan ekstraksi ciri dengan menghitung luas, panjang diameter vertikal, panjang diameter horisontal dan keliling pada obyek buah mangga yang terdapat pada input citra.
Ukuran yang digunakan dalam model ciri tersebut menggunakan satuan piksel.
Pengujian menggunakan input citra buah mangga sebanyak 25 yang terdiri dari mangga apel, bacang, budi raja, harum manis, dan manalagi dengan presentase akurasi klasifikasi sebesar 88% .
Penelitian yang telah dilakukan telah menguraikan hasil mengenai klasifikasi jenis tanaman mangga pada input citra dengan obyek seperti daun dan buah mangga.
Metode klasifikasi dengan ragam yang berbeda telah memperoleh hasil yang berbeda dalam Selain itu, pemrosesan metode klasifikasi menggunakan komputasi dengan beberapa model ciri yang diekstraksi dari obyek yang terdapat dalam input citra.
Berdasarkan uraian tersebut, penelitian dengan komparasi metode klasifikasi yang terdiri K-Means dan K-NN dengan komputasi model ciri metric dan eccentricity diperlukan untuk mengklasifikasikan buah mangga jenis tanaman buah mangga dengan keseragaman bentuknya.
Metodologi Tahapan Penulisan Tahap Studi Pustaka:
Pada tahap ini, studi pustaka dengan mengumpulkan berbagai sumber seperti jurnal, artikel dan dokumen terkait dengan hasil penelitian yang telah dilakukan untuk kajian dalam memperdalam materi.
Tahap Implementasi Metode:
Tahap mengimplementasikan metode yang dipergunakan dalam penelitian ini dengan membuat rancangan pemrosesan berkaitan dengan metode klasifikasi dan model ciri yang digunakan dalam komputasi untuk mengklasifikasikan buah mangga.
Implementasi metode pada perangkat lunak yang memproses input citra dengan keluaran informasi kelas dalam klasifikasi buah mangga.
Perangkat lunak tersebut dibuat dengan Matlab R2020a.
Tahap Pengujian Sistem:
Tahap pengujian sistem pada penelitian dengan input beberapa kelas citra buah mangga yang dilanjutkan dengan mengumpulkan hasil dari pemrosesan.
Tahap Penarikan Kesimpulan:
Tahap penarikan kesimpulan berikut dengan menyimpulkan data hasil pengujian yang didiskripsikan menjadi hasil penelitian.
Model Data yang Dipergunakan Peneltian mempergunakan input data berupa citra dan output berupa informasi jenis buah Model data yang dipergunakan adalah data training .
itra lati.
dan data testing .
itra Kelas data yang digunakan untuk membedakan jenis buah mangga terdiri dari Mangga Arumanis.
Mangga Gedong.
Mangga Golek, dan Mangga Madu, dimana setiap citra latih dan citra uji terdiri dari 10 citra.
Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi a.
Apriani 738 e-ISSN: 2685-0877 Kelas Mangga Arumanis Mangga Madu Mangga Gedong Mangga Golek Table 1.
Kelas jenis buah mangga Citra Perancangan sistem Perancangan sistem pada perangkat lunak yang dipergunakan dalam penelitian ini terdiri dari pemrosesan yang dimulai dengan menginputkan citra digital dengan obyek buah Pemrosesan dilanjutkan dengan segmentasi obyek dengan pengambangan yang dipergunakan untuk memisahkan wilayah obyek yang tepat pada buah mangga.
Proses ekstraksi ciri pada wilayah obyek dengan pengukuran untuk memperoleh informasi ciri yang mempergunakan metode metric dan eccentricity.
Pemrosesan selanjutnya dengan metode klasifikasi K-NN dan K-Means untuk menentukan jenis buah mannga dalam keluaran informasi.
Metode klasifikasi K-NN dan K-Means yang dipergunakan menggunakan data kelas yang telah dilakukan pelatihan terlebih dahulu.
Sedangkan metode K-Means memerlukan modifikasi dengan mengklusterkan data terlebih dahulu menjadi kelas .
pada setiap jenis buah Tahap pemrosesan pada perangkat lunak berikut ini dipresentasikan dengan Mulai Input citra buah mangga Segmentasi Obyek Ekstraksi Ciri (Metric dan Eccentricit.
Metode K-NN Data Jenis Buah Mangga Metode K-Means Tampilkan Selesai Figure 1.
Flowchart pemrosesan Pengolahan Citra Digital Citra .
yang tersimpan dalam media penyimpan digital disebut dengan citra digital yang sering dijumpai dalam bidang dua dimensi .
Citra digital yang mengalami pengolahan Progresif: Vol.
No.
Agustus 2024: 735-747 Progresif e-ISSN: 2685-0877 mempunyai kepentingan tertentu sesuai dengan tujuannya.
Dalam pengeritannya, pengolahan citra digital merupakan disiplin ilmu yang berkaitan untuk memperbaiki kualitas visual citra lebih baik lagi .
Pengolahan citra dapat juga dilakukan analisis pada citra yang melibatkan presepsi visual yang memproses input citra untuk memperoleh informasi yang terdapat pada obyek citra .
Segmentasi Obyek Tujuan pemrosesan segmentasi untuk memperoleh representasi yang lebih sederhana pada obyek yang terdapat pada suatu visual citra yang dipergunakan dalam metode klasifikasi .
Pemrosesan citra dengan segmentasi dipergunakan untuk mengelompokan piksel objek dalam wilayah yang merepresentasikan objek yang terdapat pada visual citra .
Proses segmentasi untuk mendapatkan parameter karakteritik bentuk suatu objek yang digunakan dalam metode klasifikasi berdasarkan visual obyek .
Metode yang dipergunakan untuk proses segmentasi yang paling sederhana dapat menggunakan pengambangan intensitas piksel untuk memisahkan obyek dan background, dimana nilai threshold (T) dapat dilakukan berdasarkan metode yang diperlukan .
tergolong obyek tergolong background Ekstraksi Ciri Ekstraksi ciri pemrosesan untuk memperoleh nilai turunan suatu obyek yang merupakan informasi yang dipergunakan untuk mengklasifikasikan obyek.
Suatu obyek yang terdapat dalam citra memiliki informasi yang merupakan karakteristik yang dipergunakan untuk membedakan obyek satu dengan lainnya .
Informasi ciri yang dipergunakan dalam pemrosesan klasifikasi dapat mengalami perulangan yang tidak perlu, oleh karena itu memerlukan pengelompokan agar menjadi lebih sedikit .
Ekstraski ciri sering kali digunakan untuk untuk mempermudah proses dan meringkas langkah-langkah dalam pemrosesan dalam membuat tafsiran pada suatu obyek .
Model Ciri Proses ekstraksi ciri dalam menginformasikan ciri bentuk dapat menggunakan pendekatan metode eccentricity dan metric untuk dapat dipergunakan sebagai parameter dalam metode klasifikasi .
Metode eccentricity menghasilkan nilai yang terdapat pada rentang skala 0 sampai 1, dimana bentuk obyek yang dipresepsikan dengan bentuk memanjang .
endekati garis luru.
dengan nilai eccentricity yang mendekati 1 dan bentuk lingkaran dengan nilai eccentricity yang mendekati 0 .
Persamaan yang dipergunakan eccentricity untuk menghitung ciri bentuk adalah berikut .
Parameter berikutnya adalah metric merupakan nilai perbandingan antara keliling dan luas objek dengan rentang antara 0 hingga 1, dimana nilai mendekati bentuk obyek yang dipresepsikan seperti garis lurus, memiliki rentang nilai mendekati 0 objek yang berbentuk bulat, memiliki rentang nilai mendekati 1 .
Metode K-Means Metode K-Means merupakan pengklasifikasian obyek yang berbasis .
dengan pemrosesan clustering yang mempartisi input data ke dalam cluster atau kelompok dengan karakteristik yang sama .
Metode K-Means melakukan mengelompokan kumpulan data ke dalam suatu pembagi k dengan kelompok ciri objek dalam penerapannya.
Metode klasifikasi K-Means dilakukan modifikasi pemrosesan supaya dapat menggunakan data latih dengan memproses kumpulan data ciri menjadi centroid dengan persamaan berikut.
Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi a.
Apriani 740 e-ISSN: 2685-0877 Metode K-NN Metode K-Nearest Neighbor (K-NN) merupakan pemrosesan klasifikasi pada input citra objek dengan menggunakan kelas data yang sudah dikelompokan sesuai dengan jarak paling pendek .
Pemrosesan metode ini berdasarkan dari jarak terpendek dari input untuk menentukan kelas dari data tersebut dengan mayoritas sebagai prediksi dari input.
Proses pencarian jarak dapat dengan metode eucledian distance.
Metode pengukuran Komparasi metode K-NN dan K-Mean dalam klasifikasi jenis buah mangga menggunakan pengukuran matrik konfusi.
Tujuan pengukuran untuk evalusi performa Precision.
Recall dan Accuracy pada metode yang dikomparasikan .
Adapun ketentuan untuk membuat matrik konfusi dari pengujian sistem adalah berikut.
Table 2.
Kondisi dalam matrik konfusi Kondisi (True Positiv.
(True Negativ.
, (False Positiv.
, (False Nagati.
Keterangan kondisi input sesuai dengan jenis buah mangga .
apabila sesuai dengan jenisnya, disebut dengan proses klasifikasi benar .
kondisi input tidak sesuai dengan jenis buah mangga .
apabila diklasifikasikan tidak sesuai dengan jenisnya, disebut dengan proses klasifikasi benar .
kondisi input sesuai dengan jenis buah mangga apabila diklasifikasikan tidak sesuai .
, disebut dengan proses klasifikasi salah .
kondisi input tidak sesuai dengan jenis buah mangga apabila diklasifikasikan sesuai jenisnya .
, disebut dengan proses klasifikasi salah .
Pengukuran selanjutnya dengan pengukuran metode klasifikasi dengan komparasi hasil pemrosesan dengan perhitungan Precision.
Recall dan Accuracy dengan persamaan berikut.
Hasil dan Pembahasan Hasil perancangan sistem yang diimplementasikan menjadi perangkat lunak dengan tampilan pemrosesan sebagai berikut.
Progresif: Vol.
No.
Agustus 2024: 735-747 Progresif e-ISSN: 2685-0877 Figure 2.
Tampilan pemrosesan program aplikasi Prosedur kerja pemrosesan dengan menginputkan citra buah mangga, selanjutnya diproses dengan tombol pemrosesan pada program aplikasi.
Hasil pemrosesan berupa kelas hasil klasifikasi metode K-NN dan K-Means akan ditampilkan dalam tabel.
Selanjutnya, untuk mempresentasikan jarak ditampilkan dalam table dan grafik untuk mengamati sebaran data.
Komparasi Performa Metode Klasifikasi K-NN dan K-Means Berdasarkan 10 jumlah citra pada masing-masing kelas data training dan data testing yang dipergunakan dalam pengujian sistem, diperoleh matrik konfusi seperti berikut.
Table 3.
Matrik konfusi hasil pengujian metode klasifikasi K-NN Input Mangga Arumanis Mangga Arumanis Mangga Madu Mangga Gedong Mangga Golek Data Mangga Madu Mangga Gedong Mangga Golek Table 4.
Matrik konfusi hasil pengujian metode klasifikasi K-Means Input Mangga Arumanis Mangga Arumanis Mangga Madu Mangga Gedong Mangga Golek Data Mangga Madu Mangga Gedong Mangga Golek Selanjutnya, evaluasi hasil akhir dari perhitungan Precision.
Recall dan Accuracy pada komparasi metode klasifikasi K-NN dan K-Means terdiri dari berikut.
Precision Perhitungan precision dipergunakan pada input citra dengan jenis buah mangga dalam kondisi yang diklasifikasikan dengan benar sesuai dengan jenis buah mangga yang telah ditentukan sebelumnya.
Perhitungan precision dengan mepergunakan persamaan .
untuk mengetaui presentase jenis buah mangga yang diklasifikasi dengan benar dari jumlah input setiap kelas pengujian.
Table 5.
Perhitungan precision Metode Klasifikasi K-NN
Input
TP FP
Mangga Arumanis Mangga Madu
Mangga Gedong
Mangga Golek
Precicion
(%)
Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi a.
Apriani 742 e-ISSN: 2685-0877 Table 6.
Perhitungan precision Metode Klasifikasi K-Means Input
Mangga Arumanis Mangga Madu
Mangga Gedong
Mangga Golek
TP FP
Precicion
(%)
Adapun komprasi precision metode klasifikasi K-NN dan K-Means pada masing-masing kelas buah mangga dipresentasikan dengan grafik berikut.
Figure 3.
Komparasi Precicion Metode Klasifikasi K-NN dan K-Means Berdasarkan komparasi hasil perhitungan precision metode klasifikasi K-NN dan KMeans yang dipresentasikan pada table data statistic dan grafik, diperoleh hasil metode K-NN lebih presisi dibandingkan dengan metode K-Means untuk mengklasifikasikan jenis mangga dengan hasil yang tepat yang mempergunakan ciri bentuk metric dan eccentricity.
Hal ini ditunjukan melalui hasil perhitungan metode K-NN memperoleh presentase precision yang lebih besar dalam mengklasifikasikan jenis buah mangga dari jumlah input setiap kelas.
Recall Perhitungan rasio yang mengklasifikasikan dengan benar .
pada input citra jenis buah menggunakan persamaan .
Table 7.
Perhitungan recall Metode Klasifikasi K-NN
Input
Mangga Arumanis Mangga Madu
Mangga Gedong
Mangga Golek
TP FN
Recall % 0,90 0,75 1,00 0,89 Table 8.
Perhitungan recall Metode Klasifikasi K-Means Input
Mangga Arumanis Mangga Madu
Mangga Gedong
Mangga Golek
TP FN
Recall % 0,70 0,64 1,00 0,86 Adapun komprasi recall metode klasifikasi K-NN dan K-Means pada masing-masing kelas buah mangga dipresentasikan dengan grafik berikut.
Progresif: Vol.
No.
Agustus 2024: 735-747 Progresif e-ISSN: 2685-0877 Figure 4.
Komparasi recall Metode Klasifikasi K-NN dan K-Means Berdasarkan komparasi hasil perhitungan recall metode klasifikasi K-NN dan K-Means yang dipresentasikan pada table data statistic dan grafik, diperoleh hasil metode K-NN lebih sensitif dibandingkan dengan metode K-Means untuk mengklasifikasikan jenis mangga dengan hasil yang tepat yang mempergunakan ciri bentuk metric dan eccentricity.
Accuracy Perhitungan rasio metode yang mengklasifikasikan dengan benar (Accurac.
pada keseluruhan data input citra jenis buah menggunakan persamaan .
Table 9.
Perhitungan accuracy Metode Klasifikasi K-NN
Input
TP TN
TP FP FN TN
Mangga Arumanis Mangga Madu Mangga Gedong Mangga Golek Accuracy 94,59 89,74 97,22 92,11 Table 10.
Perhitungan accuracy Metode Klasifikasi K-Means Input
TP TN
TP FP FN TN
Mangga Arumanis Mangga Madu Mangga Gedong Mangga Golek Accuracy 83,78 83,78 96,88 86,11 Adapun komparasi accuracy metode klasifikasi K-NN dan K-Means pada masing-masing kelas buah mangga dipresentasikan dengan grafik berikut.
Figure 5.
Komparasi recall Metode Klasifikasi K-NN dan K-Means Berdasarkan komparasi hasil perhitungan recall metode klasifikasi K-NN dan K-Means yang dipresentasikan pada table data statistic dan grafik, diperoleh hasil metode K-NN lebih akurat dibandingkan dengan metode K-Means untuk mengklasifikasikan jenis mangga dengan hasil yang tepat yang mempergunakan ciri bentuk metric dan eccentricity.
Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi a.
Apriani 744 e-ISSN: 2685-0877 Pembahasan Penelitian berikut merupakan komparasi metode klasifikasi yang terdiri dari K-NN dan KMeans dengan mempergunakan ciri metric dan eccentricity.
Seperti yang sudah diketahui, bahwa metode K-NN merupakan metode klasifikasi yang berbasis pelatihan (Supervise.
dan metode K-Means tidak berbasis pelatihan (Unsupervise.
yang tidak mengelompokan kelas data terlebih dahulu .
Dalam penelitian ini, metode K-Means dimodifikasi supaya dalam komparasi yang dapat menggunakan pelatihan kelas jenis buah mangga untuk klasifikasi.
Modifikasi dilakukan dengan membentuk centroid setiap kelompok jenis buah mangga sebagai kelas dengan klasifikasi input berdasarkan jarak terpendek terhadap centroid.
Berdasarkan pengujian sistem dalam penelitian ini, pengukuran hasil pemrosesan metode klasifikasi untuk mengetahui komparasi performa metode klasifikasi mempergunakan evaluasi precision, recall .
, dan accuracy dijumpai metode K-Means yang telah dimodifikasi belum sebaik metode K-NN dalam klasifikasi jenis buah mangga menggunakan ekstraksi ciri metric dan eccentricity.
Beberapa data input pengujian sistem yang mengalami kesalahan klasifikasi metode K-Means akan tetapi memperoleh kelas klasifikasi yang tepat pada metode K-NN dipresentasikan dengan table berikut.
Table 11.
Komparasi Kesalahan metode klasifikasi K-NN dan K-Means Input Mangga Arumanis .
Mangga Arumanis .
Mangga Golek .
Mangga Golek .
4 Kelas K-NN Arumanis .
Arumanis .
Madu .
Arumanis .
Arumanis .
Jarak
K-NN
0,0322
4 Centroid KMeans Jarak
K-Means 0,0465 0,0343 0,0346 Mangga Madu
Mangga
Arumanis Mangga Gedong
0,0393
Mangga Golek
0,1980
0,0329
0,0465
Hasil Klasifikasi
K-NN
Mangga Arumanis.
K-Means Mangga Madu Mangga Arumanis.
Mangga Madu Mangga Golek Mangga Arumanis Mangga Golek Mangga Arumanis 0,0500 0,1237 Madu .
Arumanis .
Arumanis .
0,0350
Mangga Madu
Mangga
Arumanis 0,0350 Mangga Gedong
0,1233
0,0400
0,1984
Golek .
Arumanis .
Arumanis .
Arumanis .
0,0442
Mangga Golek
Mangga
Arumanis 0,0559 Mangga Golek
0,0891
0,0576
Mangga Madu
0,1486
0,0587
0,2377
Golek .
Arumanis .
Arumanis .
Arumanis .
0,0422
Mangga Gedong
Mangga
Arumanis 0,0585 Mangga Golek
0,0866
0,0594
Mangga Madu
0,1498
0,0612
Mangga Gedong
0,2382
0,0507
0,0791
0,0810
Selanjutnya, untuk mempresentasikan evaluasi jarak pada komparasi metode klasifikasi K-NN dan K-Means dengan grafik berikut.
Progresif: Vol.
No.
Agustus 2024: 735-747 Progresif e-ISSN: 2685-0877 Figure 6.
Pengujian 1 Figure 7.
Pengujian 2 Gambar 8.
Pengujian 3 Gambar9.
Pengujian 4 Berdasarkan analisa yang telah dilakukan dengan memperdalam pengamatan pada data hasil pemrosesan yang mengalami kesalahan klasifikasi pada metode K-Means dan ketepatan klasifikasi pada metode K-NN, maka modifikasi yang dilakukan untuk meningkatkan metode K-Means dalam klasifikasi model terlatih (Supervise.
masih belum bisa setara dengan performa metode K-NN.
Simpulan Metode klasifikasi K-Means yang dimodifikasi untuk dapat melakukan klasifikasi dengan supervised yang dikomparasikan dengan Metode K-NN adalah Metode K-Means masih belum sebaik Metode K-NN ddalam klasifikasi jenis mangga mempergunakan ekstrasi ciri metric dan Daftar Referensi Utami.
Baskoro, and L.
Khotimperwati.
AuKeragaman Varietas Mangga ( Mangifera indica L .
) Di Kotamadya Semarang Jawa Tengah,Ay Bioma, vol.
21, no.
2, 2019.
Sazmita.
Efendi, and B.
Susilo.
AuPengolahan Citra Telapak Tangan Manusia Menggunakan Metode Histogram dan Homomorfhic Filtering,Ay J.
Rekursif, vol.
8, no.
47Ae58, 2020.
Anike.
AuAnalisa Pengolahan Citra Menggunakan Metode Transformasi Fourier,Ay Konf.
Nas.
Sist.
Inform.
2015, pp.
9Ae10, 2015.
Siregar and G.
Ginting.
AuImplementasi Metode Gray Level Slicing dalam Pencarian Citra Pada Basis Data,Ay Maj.
Ilm.
INTI, vol.
5, no.
2, pp.
2Ae6, 2018.
Jumadi.
Yupianti, and D.
Sartika.
AuPengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering,Ay JST (Jurnal Sains dan Teknol.
, vol.
10, no.
2, pp.
148Ae156, 2021.
Andreansyah.
AuAplikasi Pengenalan Pola Citra Logo Obat Medis Menggunakan KMeans Clustering,Ay ELTI J.
Elektron.
List.
dan Teknol.
Inf.
Terap.
, vol.
2, no.
1, pp.
7Ae12.
Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi a.
Apriani 746 e-ISSN: 2685-0877 Fitri.
Aprilia.
Madjid.
Mujibtamala, and N.
Imron.
AuEnsiklopedia Digital Berdasarkan Klasifikasi Varietas Buah Mangga (Mangifera spp .
) Menggunakan Algoritma Backpropagation Digital,Ay Komputika J.
Sist.
Komput.
, vol.
11, no.
28, pp.
113Ae 120, 2022.
Oktavianto.
Sunaryo, and A.
Suryanto.
AuKarakteristik Tanaman Mangga (Mangifera Indica L.
) Cantek.
Empok.
Jempol Di Desa Tiron.
Kecamatan Banyakan Kabupaten Kediri,Ay J.
Produksi Tanam.
, vol.
3, no.
2, pp.
91Ae97, 2015.
Supriyatin.
AuEkstraksi Ciri Bentuk pada Citra Bergerak Menggunakan Teknik Batas Tepi,Ay Komputasi J.
Ilm.
Ilmu Komput.
dan Mat.
, vol.
19, no.
1, pp.
1Ae8, 2022.
Wibawa.
Guntur.
Purnama.
Akbar, and F.
Dwiyanto.
AuMetodemetode Klasifikasi,Ay Pros.
Semin.
Ilmu Komput.
dan Teknol.
Inf.
, vol.
3, no.
1, pp.
134Ae 138, 2018.
Mario.
Herry, and H.
Nasution.
AuPemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness,Ay J.
Sist.
dan Teknol.
Inf.
1, no.
1, pp.
1Ae6, 2016.
Hakiky.
Hikmah, and D.
Ariyanti.
AuKlasifikasi Jenis Pohon Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Backpropagation,Ay J.
Inform.
UPGRIS,
6, no.
2, pp.
46Ae50, 2020.
Hidayatuloh and S.
Pawenang.
AuKinerja karyawan ditinjau dari pengembangan sumber daya manusia , teknologi informasi , dan promosi jabatan Employee performance in terms of human resource development , information technology , and position promotion,Ay vol.
14, no.
1, pp.
103Ae110, 2022.
Satria.
Kartika, and H.
Maulana.
AuPreprosesing serta Normalisasi pada Dataset Kupu- Kupu untuk Ekstraksi Fitur Warna .
Bentuk dan Tekstur,Ay Complet.
Comput.
Electron.
Telecommun.
, vol.
1, no.
2, pp.
1Ae8, 2019.
Hidayat.
AuKlasifikasi Jenis Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Convolution Neural Network (CNN),Ay J.
Inf.
Technol.
Comput.
Sci.
, vol.
5, no.
1, pp.
98Ae103, 2022.
Hartiningtyas.
Ruslianto, and R.
Hidayati.
AuKlasifikasi Jenis Mangga Berdasarkan Bentuk Buah Dengan Metode K-Nearest Neighbor Berbasis Android,Ay J.
Coding.
Sist.
Komput.
Untan, vol.
06, no.
1, pp.
12Ae13, 2018.
Hutahaean.
Waluyo, and M.
Rais.
AuTeknologi Identifikasi Objek Berbasis Drone Menggunakan Algoritma Sift Citra Digital,Ay J.
Tek.
Inform.
Unika St.
Thomas, vol.
04, no.
02, pp.
202Ae207, 2019.
Gansar Suwanto.
Ibnu Adam, and Garno.
AuIdentifikasi Citra Digital Jenis Beras Menggunakan Metode Anfis dan Sobel,Ay J.
Inform.
Polinema, vol.
7, no.
2, pp.
123Ae128.
Bethaningtyas.
Naufal, and G.
Fajarianto.
AuPengenalan Jenis Seragam Loreng Tni Menggunakan Kombinasi Eccentricity Dan Metric,Ay TEKTRIKA - J.
Penelit.
Pengemb.
Telekomun.
Kendali.
Komputer.
Elektr.
dan Elektron.
, vol.
2, no.
2, pp.
1Ae8.
Budiati and A.
Himamunanto.
AuMetode Subtraksi Citra Sebagai Upaya Deteksi Gerakan Tangan,Ay Pros.
SAINTEK Sains dan Teknol.
, vol.
1, no.
1, pp.
6Ae13, 2022.
Bhahri.
AuTransformasi Citra Biner Menggunakan Metode Thresholding Dan Otsu Thresholding,Ay e-Jurnal JUSITI (Jurnal Sist.
Inf.
dan Teknol.
Informas.
, vol.
7Ae2, no.
196Ae203, 2018.
Santosa.
Sudin, and N.
Kamala.
AuIdentifikasi Tingkat Kesegaran Ikan Tuna Melalui Citra Mata Menggunakan Metode K-Nearesh Neighbor (KNN),Ay J.
PRODUKTIF, vol.
1, pp.
517Ae524, 2022.
Veronica.
Al Amin.
Hartono, and T.
Kristianto.
AuEkstraksi Fitur Tekstur Menggunakan Matriks GLCM pada Citra dengan Variasi Arah Obyek,Ay Pros.
SENDI_U,
978Ae979, 2019.
Rahmadwati.
Yudaningtyas, and Subairi.
AuImplementasi Metode k-Nearest Neighbor pada Pengenalan Pola Tekstur Citra Saliva untuk Deteksi Ovulasi,Ay J.
EECCIS, vol.
1, pp.
9Ae14, 2019.
Herdiansah.
Borman.
Nurnaningsih.
Sinlae.
Ridlo, and A.
Hakim.
AuKlasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Progresif: Vol.
No.
Agustus 2024: 735-747 Progresif e-ISSN: 2685-0877 Berdasarkan Ekstraksi Ciri Bentuk,Ay JURIKOM (Jurnal Ris.
Kompute.
, vol.
9, no.
2, pp.
388Ae395, 2022.
Aprillyano.
Sanjaya, and D.
Widodo.
AuKlasifikasi Kualitas Telur Ayam Menggunakan Metode K-Means Clustering,Ay Semin.
Nas.
Inov.
Teknol.
, pp.
41Ae46.
Sanjaya and M.
Rosadi.
AuKlasifikasi Buah Mangga Berdasarkan Tingkat Kematangan Menggunakan Least-Squares Support Vector Machine,Ay Explor.
IT J.
Keilmuan dan Apl.
Tek.
Inform.
, vol.
10, no.
2, pp.
1Ae8, 2018.
Nabilla.
Saputra, and R.
Adi Saputra.
AuPerbandingan Ruang Warna Rgb.
Hsv Dan Ycbcr Untuk Segmentasi Citra Ikan Kembung Menggunakan K-Means Clustering,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
6, no.
2, pp.
476Ae481, 2022.
Hadi and E.
Rachmawanto.
AuEkstraksi Fitur Warna Dan Glcm Pada Algoritma Knn Untuk Klasifikasi Kematangan Rambutan,Ay J.
Inform.
Polinema, vol.
8, no.
3, pp.
63Ae68, 2022.
Muslim.
Sutawijaya, and F.
Bimantoro.
AuKlasifikasi Kualitas Kesegaran Buah Semangka Berdasarkan Fitur Warna YCbCr Menggunakan Algoritma K-Means Terbobot,Ay Jtika, vol.
1, no.
2, pp.
208Ae215, 2019.
Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi a.
Apriani