PROSIDING SEMMAU 2021
EKSTRAKSI CIRI BIBIT KACANG HIJAU
MENGGUNAKAN METODE
K-NEAREST NEIGHBOR
Efiginha Guterres Mu1.
Erna Rosani Nubatonis2.
Franky Yusuf Bisilisin3 Program Studi Teknik Informatika Strata Satu.
Sekolah Tinggi Manajemen Informatika Komputer (STIKOM) Uyelindo Kupang Email: efialimu@gmail.
ABSTRACT
Mung bean (Vigna Radiat.
is a type of palawija which is widely known in the tropics.
This plant belonging to the legume tribe (Fabacea.
has many benefits in everyday life as a source of high protein vegetable food.
Mung bean in Indonesia ranks third most important as a legume food crop, after soybeans and peanuts.
The most valuable part of the economy is the seeds.
Although mung bean is a fairly popular plant, people who cultivate mung bean still often make mistakes when choosing seeds, resulting in less than optimal growth of mung bean to premature death of beans that grow on improper seeds, this can be overcome using a system digital image to determine whether the seed is viable or not.
In this study, the data object is an image that will be processed using a color moment to get the image results in the form of numbers .
Color features are the basis of an image because they have a strong relationship with an object.
One method of recognizing color features by performing extraction is color moment.
Color Moment is a solid representation of color features in characterizing image colors.
These results become input for processing using KNN.
The K-Nearest Neighbor (KNN) algorithm is a method for classifying objects based on the learning data that is closest to the object.
Keywords : Color Moment.
K-Nearst Neighbor (K-NN).
Mung Bean
PROSIDING SEMMAU 2021
PENDAHULUAN
Kacang hijau (Vigna Radiat.
sejenis palawija yang dikenal luas di daerah tropika.
Tumbuhan yang termasuk suku polongpolongan (Fabacea.
ini memiliki banyak manfaat dalam kehidupan sehari-sehari sebagai sumber bahan pangan berprotein nabati tinggi.
Kacang hijau di Indonesia menempati urutan ketiga terpenting sebagai tanaman pangan legum, setelah kedelai dan kacang tanah.
Bagian paling ternilai ekonomi adalah bijinya (Anonim, 2.
Biji kacang yang kemudian dijadikan benih.
Pemilihan benih yang baik merupakan salah satu faktor penting untuk menentukan kualitas produksi kacang hijau.
Metode yang digunakan oleh masyarakat khususnya di wilayah Kabupaten Malaka dalam menentukan apakah sebuah benih layak atau tidak layak masih sangat konvensional, dengan cara melihat dan menentukan secara kasat mata menggunakan perasaan tanpa mempertimbangkan data kelayakan dan tidak layakan benih kacang hijau, hal ini tentunya menyebabkan pertumbuhan kacang hijau yang kurang optimal hingga tumbuhan kacang hijau yang gagal tumbuh, oleh karena itu sebuah sistem yang dapat menentukan apakah benih tersebut layak atau tidak secara otomatis pertumbuhan kacang hijau paling maksimal, menggunakan metode KNN dengan data warna sebagai patokannya.
Pada tahun 2019.
Shinta Aprilisa dan Sukemi melakukan penelitian tentang Klasifikasi Tingkat Kematangan Buah Tomat Berdasarkan Fitur Warna Menggunakan K-Nearest Neighhbor(K-NN).
Penelitian Perkembangan informasi yang memungkinkan identifikasi buah berdasarkan ciri warna dengan bantuan Teknik pengolahan citra digital digunakan untuk mempermudah dan mempercepat proses pengujian tingkat kematangan tomat.
Klasifikasi merupakan menggambarkan dan membedakan kelas data, atau cara mengklasifikasikan data kedalam satu atau beberapa kelas yang sudah didefinisikan sebelumnya.
Fitur warna merupakan dasar suatu citra karena memiliki hubungan yang kuat dengan suatu objek.
Salah satu metode dalam mengenali fitur warna dengan dilakukannya ekstraksi adalah color moment.
Color Moment merupakan representasi yang padat dari fitur warna dalam mengkarakterisasikan warna gambar.
Perhitungan moments digunakan untuk mendapatkan color similarity sebuah image dimana nilai dari similarity tersebut digunakan untuk membandingkan image yag terdapat pada database image.
Color moments megasumsikan distribusi warna dari sebuah image sebagai distribusi Inputan yang digunakan dalam tahapan dalam klasifikasi menggunakan teknik supervised learning yaitu KNN.
Algoritma K-Nearest Neighbor (KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek yang berdasarkan dari data pembelajaran yang jaraknya paling dekat dengan objek tersebut.
KNN
merupakan algoritma supervised learning dimana hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada algoritma KNN.
Dimana kelas yang paling banyak muncul yang nantinya akan menjadi kelas hasil dari klasifikasi (Asahar Johar dkk, 2.
Teknik klasifikasi merupakan Supervised learning yaitu teknik yang memerlukan pelabelan data sebelum Label tersebut menunjukan kelas observasi dan data baru klasifikasi berdasarkan training set.
Supervised learning merupakan jenis yang populer untuk melakukan operasi machine learning dan banyak digunakan untuk data di mana ada pemetaan yang tepat antara data inputoutput.
Kumpulan data, dalam hal ini diberi label, artinya algoritma mengidentifikasi fitur secara eksplisit dan melakukan prediksi atau klasifikasi yang sesuai.
Dari permasalahan yang telah diuraikan, maka akan dilakukan sebuah penelitian tentang klasifikasi bibit kacang hijau menggunakan metode K-Nearest Neighbor (KNN).
Dengan penelitian ini diharapkan mampu membantu dinas pertanian dalam memilih benih yang layak untuk digunakan.
TINJAUAN PUSTAKA
Kacang Hijau Tanaman kacang hijau (Vigna radiata L.
) sudah lama dikenal dan ditanam oleh masyarakat tani Indonesia.
Asal usul tanaman kacang hijau berasal dari kawasan PROSIDING SEMMAU 2021 India yang dibawa masuk ke wilayah Indonesia, terjadi pada awal abad ke-17, oleh pedagang Cina.
Pusat penyebaran kacang hijau pada mulanya berpusat pulau jawa dan bali, tetapi pada tahun 1920-an mulai berkembang di Sulawesi.
Kalimantan, dan Indonesia bagian timur (Rukmana.
Kacang hijau merupakan salah satu tanaman pangan sumber protein nabati.
Kandungan protein kacang hijau sebesar 22% menempati urutan ketiga setelah kedelai dan kacang tanah (Purwono dan Hartono, 2.
Kandungan gizi kacang hijau meliputi karbohidrat 62,90 gr, protein 20,00 gr, lemak 1,20 gr, juga mengandung Vitamin A 157,00 SI.
Vitamin B1 0,64 gr.
Vitamin C 6,00 gr dan mineral Ca.
Fe serta mengandung 345 gr kalori.
Citra Citra Digital Citra merupakan suatu citra yang dapat diolah dapat disimpan di dalam komputer.
Sebuah citra dapat disimpan di dalam memori komputer setelah citra tersebut diubah menjadi citra digital.
Membentuk citra menjadi digital dapat dilakukan dengan beberapa perangkat, seperti kamera, scanner.
Citra yang disimpan pada komputer mempunyai angka-angka yang menunjukkan intensitas pada masing-masing Dengan angka-angka dari citra tersebut, komputer dapat mengolah suatu citra digital.
Setiap warna citra pada masingmasing piksel memiliki warna tertentu Gambar 2.
1 Citra RGB Sebuah warna dalam suatu citra merupakan gabungan dari tiga warna yaitu merah .
, hijau .
Model RGB terdiri dari tiga kombinasi warna yaitu merah .
, hijau .
, biru .
warna ini disebut juga tiga dasar warna.
Sejumlah macam warna dapat diatur dengan kombinasi dari tiga jalur nilai-nilai kecerahan.
Color Moment Color moment adalah representasi Perhitungan moment diperlukan untuk mendapatkan kesamaan warna sebuah gambar, di mana nilai dari kesamaan tersebut digunakan untuk membandingkan gambar data latih dan gambar data uji.
Color moments mengasumsikan distribusi warna dari sebuah gambar sebagai distribusi Mean, standar deviasi dan skewness merupakan tiga moment warna pertama yang telah terbukti secara efisien dan efektif untuk mewakili distribusi warna dalam gambar (Singh & Hemachandran.
Statistik orde I .
olor momen.
Statistik orde I merupakan metode pengambilan ciri yang didasarkan pada krakateristik histogram citra.
Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra.
Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri statistik orde pertama, antara lain adalah mean .
ata-rat.
, skewness dan standar Mulai Citra Citra HSV Mean Color Moment Standar Deviasi Masukan Pada Klasifikasi Sk ewness Selesai Mean Nilai mean dari suatu sebaran nilai intensitas citra abu-abu menunjukkan ukuran dispersi suatu citra dapat dicari dengan persamaan berikut:
yuN = Ocycu yceycu ycE.
ceycu ).
Standar deviasi atau simpangan baku Standar deviasi atau simpangan baku adalah ukuran keragaman .
data statistik yang paling sering digunakan.
Standar deviasi dari suatu sebaran nilai intensitas citra abu-abu dapat dicari dengan persamaan berikut:
yc=1 yua = Ooycu Ocycu .
ceycu Oe yuN)2 ycy.
ceycu ).
Skewness Skewness kemencengan .
kuran derajat ketidak simetrisa.
relative kurva histigram dari sutau citra.
Bentuk persamaan untuk menghitung skewness berikut:
yca3 = yca Ocycu.
ceycu Oe yuN)3 ycy.
ceycu ).
Algoritma K-Nearest Neighbor K-Nearest Neighbor .
-NN) merupakan algoritma yang melakukan klasifikasi berdasarkan lokasi .
suatu data dengan data lain.
Prinsip sederhana PROSIDING SEMMAU 2021 yang diadopsi oleh algoritma k-NN adalah Aujika suatu hewan bergerak seperti bebek, bersuara kwek-kwek seperti bebek dan penampilannya seperti bebek, hewan itu mungkin bebekAy.
Pada algoritma k-NN data berdimensi q, jarak dari datai tersebut ke data k yang lain dapat dihitung.
Nilai jarak inilah yang digunakan sebagai nilai kedekatan/kemiripan antara data uji dengan data latih.
Nilai k pada k-NN berarti k- data terdekat dari data uji (Prasetyo ,2.
Wi =1 d.
Ao,x.
yAo = argmax Oc.
i,y.
CDz Wi y I(V= y.
Confusion Matrix Confusion Matrix adalah performa untuk masalah klasifikasi machine learning dimana keluaran dapat berupa dua kelas atau lebih.
Confusion Matrix adalah tabel dengan 4 kombinasi berbeda dari nilai prediksi dan nilai aktual.
Tabel 2.
Confusion Matrix Klasifikasi Diklasifikasikan True False positives positive (TP) (FP) False True negatives negatives (FN) (TN) TP FN FP TN ycNycE ycIyceycuycycnycycnycycnycycayc = ycNycEOeyaycA .
ycNycA ycIycyyceycycnycycnycycayc = ycNycAOeyaycE .
yaycycoycoycaEa yaycaycyca yaAyceycuycayc yaycoycycycaycycn = yaycycoycoycaEa ycIyceycoycycycEa yaycaycyca ycu 100% .
METODOLOGI PENELITIAN Prosedur Analisis Data Prosedur analisis data adalah kegiatan untuk mengolah data menjadi sebuah informasi yang muda untuk di mengerti dan dapat menjawab masalah-masalah yang berkaitan dengan kegiatan penelitian.
Prosedur analisis data yang digunakan dalam melakukan penelitian tentang klasifikasi bibit kacang hijau menggunakan metode knearest neighbor(KNN) yaitu digambarkan ke dalam flowchart sebagai berikut:
Mulai Data Citra
Bibit Kacang Hijau
Praproses Ekstaksi Ciri
Statistik Orde I Bagi Data
Data Latih
Data Uji
Klasifikasi
KNN
Model Evaluasi Hasil Klasifikasi Selesai Data citra benih kacang hijau Tahap awal sebelum prosesan data citra adalah tahap pengumpulan data.
Data citra yang digunakan dalam penelitian ini adalah data citra bibit kacang yang diambil menggunakan kamera digital.
Pengambilan data citra di petani, dan disimpan dengan format file *.
Praproses Tahap praproses adalah tahap untuk mentransformasikan data ke suatu format yang prosesnya lebih mudah dan efektif untuk mendapatkan nilai yang lebih aktual dan mengurangi komputasi warna dalam skala besar.
Pada tahap ini dilakukan croping citra secara manual dalam sistem kemudian dilakukan pengubahan dimensi dari citra awal untuk mendapatkan ukuran lebih kecil dan data yang akan diproses lebih spesifik karena mengurangi data yang tidak terpakai.
Setelah tahap cropping dilakukan dengan ukuran citra baru yaitu 300 x 300 piksel, tahap selanjutnya mengubah data citra hasil cropping ke skala keabuan agar dimensi matriks citra menjadi lebih kecil dan untuk mendapatkan citra biner.
Ektraksi ciri Ekstraksi ciri menggunakan statistik orde .
olor probabilitas kemunculan nilai derajat keabuan piksel pada suatu matriks.
Matriks citra yang sebelumnya berukuran 300x300 akan diubah menjadi vektor
PROSIDING SEMMAU 2021
berukuran 1x3 dengan proses ekstraksi ciri menggunakan citra HVS .
ue saturation valu.
Pada tahap ini juga citra akan menghitung nilai masingmasing ciri.
Ciri-ciri yang digunakan pada ekstraksi ini antara lain mean, standar deviasi, dan skewness.
Bagi data Data citra yang telah melalui tahap praproses dan ekstraksi ciri kemudian dibagi dengan k-fold.
Pada tahap ini data citra dibagi menjadi dua bagian, yaitu data uji dan data latih.
Data latih digunakan untuk melakukan pelatihan statistic textures, sedangkan data uji digunakan untuk pengujian K-NN.
yang digunakan adalah 5-fold, maka metode yang digunakan adalah 5-fold cross validation.
Untuk pembagian dataset dibagi menjadi data latih dan data uji, untuk 5-fold pembagian datanya 80% data latih dan 20% data uji.
Klasifikasi dengan K-NN Klasifikasi dilakukan dengan data masukkan berupa matriks komposisi dari proses ekstraksi ciri yang telah dilakukan sebelumnya, proses klasifikasi akan menghasilkan dua kelas yaitu kelas bibit layak dan kelas bibit tidak layak.
K-NN
adalah metode pengukuran kemiripan Penelitian menggunakan pengukuran kemiripan berdasarkan euclidean.
Analisis yang dilakukan pada K-NN adalah pengaruh penggunaan kemiripan dan nilai k yang digunakan terhadap akurasi sistem dalam mengklasifikasikan bibit kacang hijau yang bagus.
Langkah-langkah dalam pengklasifikasian menggunakan K-NN antara lain adalah menginput vektor hasil estraksi ciri tekstur statistik orde I kemudian menentukan jumlah tetangga terdekat .
, k yang digunakan 1, 3, dan 5.
Selanjutnya menghitung jarak test data ke data training menggunakan jarak euclidean.
Kemudian kelompok test data berdasarkan kelas mayoritas pada k.
Evaluasi Evaluasi penentuan bibit kacang hijau berdasarkan tekstur citra, dilakukan untuk memprediksi seberapa baik klasifikasi label pada kelas tupel.
Metode ini menggunakan tabel matriks seperti pada tabel 3.
1 jika dataset hanya terdiri dari dua kelas, kelas yang satu dianggap sebagai positif dan yang lainnya negatif.
Dengan ketentuan true positives (TP) adalah tupel positif yang bernilai benar pada label klasifikasi.
True negatives (TN) adalah tupel negatif yang bernilai benar pada label klasifikasi.
False positives (FP) adalah tupel negatif yang disalah artikan sebagai positif.
False negatives (FN) adalah tupel negatif yang disalah artikan sebagai negatif.
Sensivitas dan spesifitas dapat digunakan untuk penentuan label tupel, sensitivitas disebut juga dengan tupel positif yang bernilai benar, sedangkan spesifitas adalah tupel negatif yang bernilai benar.
Cara mencari nilai sensivitas dan sepsifitas dapat dilihat pada persamaan .
dan persamaan .
Sedangkan akurasi dapat dilihat pada persamaan .
HASIL DAN PEMBAHASAN
Basis Data Kacang Hijau Citra kacang hijau yang diambil pada penelitian ini adalah sebanyak 100 data citra benih kacang hijau, yang artinya terbagi menjadi 80% data citra untuk data laltih dan 20% citra untuk data uji.
Dimensi citra awal 400x300 pixel dan disimpan dalam format Citra yang akan dijadikan sampel akan diresize menjadi 300x300 pixel, data citra akan dipanggil kedalam matlab untuk mendapatkan data matriks yang akan diolah.
Berikut adalah ciri citra kacang hijau yang layak dan tidak layak untuk untuk Praproses Data Data citra kacang hijau yang telah di panggil ke Matlab akan melalaui tahapan praproses.
Pada tahap ini citra benih kacang hijau akan diproses sehingga ukuran citra menjadi 300x300 pixel, kemudian diubah ke skala keabuan agar dimensi matriks citra menjadi lebih kecil dan dapat diterima oleh komputer, sehingga dapat mengurangi beban Citra sebelum dan sesudah Gambar Resize PROSIDING SEMMAU 2021 Setelah tahap crooping selesai citra akan diubah ke skala keabuan dengan intensitas warna keabuan 256, maka vektor yang dihasilkan berukuran 1x256.
Nilai intensitas skala keabuan berkisar dari angka 0 sampai Hasil proses citra ke skala keabuan.
Gambar Citra skala keabuan Pada tahap ini juga citra akan mengalami proses penghilangan noise menggunakan median filter dengan ukuran 7x7 karena memiliki pengaruh penghasilan terhadap suatu citra sangat tinggi.
Konsep dasar dari median filter adalah dengan menemukan nilai piksel yang memiliki nilai intensitas dari suatu piksel yang berbeda dengan nilai yang ada didaerah sekitarnya dan menggantinya dengan nilai yang lebih Cara paling sederhana dalam mencapainya adalah dengan pencegahan dan pembatasan nilai piksel.
Ekstraksi Ciri Pada proses ini citra yang telah dilakukan tahap praproses akan diekstraksi ciri tekstur menggunakan statistik Orde I .
olor Color moment menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra.
Matriks citra yang sebelumnya didapatkan dari tahap praproses berukuran 300x300 akan diubah menjadi vektor berukuran 3x3 dengan proses ekstraksi ciri menggunakan citra HSV.
Pada tahapan ini juga citra akan menghitung nilai dari masing-masing ciri.
Ciri-ciri yang digunakan pada ekstraksi ini antara lain mean, standar deviasi, dan skewness.
Banyaknya data yang digunakan adalah 100 menghasilkan 100 vektor.
Vektor inilah yang menjadi dataset masukkan untuk proses klasifikasi.
Berikut adalah hasil ekstraksi ciri.
Gambar Hasil ekstraksi ciri Bagi Data Pada tahapan ini, data dibagi menggunakan k-fold cross validation, k yang digunakan adalah 5, maka metode yang digunakan adalah 5-fold cross validation.
Dataset dibagi menjadi data latih dan data uji, sebesar 80% untuk data latih dan 20% untuk data uji.
Data latih dan data uji.
Tabel Skenario 5-fold.
Data Latih
Data
Uji
Skenario I F2 F3 F4 F5
Skenario II F1 F3 F4 F5
Skenario i F1 F2 F4 F5 F3
Skenario
F1 F2 F3 F5 F4
Skenario V Klasifikasi menggunakan k-NN Tahap pembuatan model untuk metode kNN menggunakan data latih dan data uji atau proses training dan testing.
Proses training digunakan untuk menghasilkan model klasifikasi dengan k-NN yang nantinya akan digunakan sebagai acuan untuk mengklasifikasikan kualitas benih kacang hijau untuk dipanen dengan data mentah yang baru.
Berikut adalah skenario yang digunakan dalam pengujian hasil klasifikasi benih kacang hijau menggunakan jarak euclidean dengan mencari hasil klasifikasi fitur mean, standar deviasi, dan skewness dari ekstraksi ciri orde I.
Tabel Fold validation.
Jarak k = 1
Fold validation ke-1
Prediksi
Aktual
Sensitivitas = 70% Spesifitas = 60% Akurasi
= 65%
7 6 3 4
Fold validation ke-2
PROSIDING SEMMAU 2021
Aktual
Sensitivitas Spesifitas Akurasi
Prediksi
= 20%
= 60%
= 40%
2 6 8 4
Fold validation ke-3
Prediksi
Aktual
Sensitivitas = 60% Spesifitas = 60% Akurasi
= 60%
6 6 4 4
Fold validation ke-4
Prediksi
Aktual
Sensitivitas = 80% Spesifitas = 30% Akurasi
= 55%
8 3 2 7
Fold validation ke-5
Prediksi
Aktual
Sensitivitas = 100% 10 0
Spesifitas = 100% 10 0
Akurasi
= 100%
10 10 0 0
Evaluasi Evaluasi menggunakan confusion matriks, confusion matriks digunakan untuk menghitung spesifitas, sensitivitas dan akurasi.
Tabel Hasil sensitivitas, spesifitas, akurasi
benih kacang hijau k=1 Folld
Sensitivitas Spesifitas Akurasi
K=1
K=2
K=3
K=4
K=5
Antarmuka Sistem Antarmuka merupakan media penghubung antar sistem dan pengguna.
Pengoperasian sistem akan dimulai pada halaman antarmuka sistem ini, sehingga memudahkan pengguna untuk menggunakan aplikasi ini.
Berikut adalah tampilan antarmuka sistem kNN.
Gambar Antarmuka sistem Halaman tampilan citra awal Tampilan citra awal adalah tampilan hasil citra awal dengan ukuran citra yang masih Dari citra awal yang akan diubah ke tahap selanjutnya untuk mencari hasil klasifikasi benih kacang hijau dalam citra.
Halaman tampilan awal citra.
Gambar Tampilan Citra Awal Halaman tampilan praproses Halaman tampilan praproses adalah halaman yang digunakan untuk menampilkan hasil dari tahap praproses.
Pada tahap ini citra yang sudah dirubah ukurannya menjadi 300 x 300 piksel akan dirubah ke skala keabuan agar dimensi matriks citra menjadi lebih kecil dimana angka skala keabuan dari angka 0-255.
Hasil tampilan praproses akan ditampilkan pada axes 1, halaman tampilan PROSIDING SEMMAU 2021 Gambar Tampilan Praproses Berikut adalah sintax atau baris perintah pada Matlab untuk mendapatkan hasil dari b=imresize.
b=rgb2gray.
c=medfilt2.
Halaman tanpilan ekstraksi ciri Halaman tampilan ekstraksi ciri adalah menampilkan hasil dari ekstraksi ciri orde I .
olor momen.
Pada halaman ini citra akan menampilkan atau menunjukkan probabilitas kemunculan nilai derajad keabuan piksel pada suatu citra dengan mengubah citra kedalam bentuk citra HSV dan akan ditampilkan pada axes 3.
Pada halaman ini juga akan menampilkan nilai HSV untuk ekstraksi ciri orde I .
olor momen.
dengan fitur mean, standar deviasi, dan skewness.
Halaman tampilan ekstraksi ciri orde I.
Gambar Tampilan Pemilihan Nilai K Halaman tampilan klasifikasi dengan jarak Halaman tampilan klasifikasi dengan jarak euclidean adalah halaman yang digunakan untuk menampilkan hasil klasifikasi dari ekstraksi ciri orde I .
olor momen.
dengan menampilkan hasil klasifikasi dari fitur mean, standar deviasi, dan skewness.
Halaman tampilan klasifikasi dengan jarak Gambar Tampilan Klasifikasi Dengan Jarak Euclidean Pengujian Sistem Grafik Pengujian Gambar Tampilan Ekstraksi Ciri Berikut adalah sintax atau baris perintah pada Matlab untuk mendapatkan hasil dari ekstraksi ciri.
b=imresize.
gbrHSV = rgb2hsv.
c1 = imresize.
brHSV,.
Tampilan pemilihan nilai k Tampilan pemilihan nilai k adalah tampilan dilakukan, dimana setelah memilih jarak pemrosesan, operator akan memilih nilai k yang akan digunakan.
Tampilan pilihan nilai Fold 1Fold 2Fold 3Fold 4Fold 5 Sensifitas Spesifisitas Akurasi Gambar Hasil Proses 5 Fold Validation pada K=1 KESIMPULAN DAN SARAN Kesimpulan Penelitian ini dilakukan dengan Ekstraksi benih kacang hijau menggunakan metode K-NN untuk mendapatkan PROSIDING SEMMAU 2021 benih yang layak digunakan, dilakukan preprosesing sebelum diterapkan ke dalam algoritma, kedekatan antara data baru dengan data lama dilakukan untuk menentukan pada kelas mana data baru akan diklasifikasikan dan juga mencari k terdekat yang akan di fold-cross validation sehingga mendapatkan nilai k Hasil uji sistem yang dibuat dengan menggunakan analisis algoritma KNearest Neighbor keluaran yang sama dengan perhitungan Microsoft excel, dimana keluaran sistem berupa nilai terendah yang dijadikan data terdekat dan k tertinggi di jadikan k terdekat untuk mengklasifikasi data baru sama dengan hasil perhitungan Microsoft excel, dan juga hasil pengujian algoritma dengan hasil perhitungan dengan Algoritma KNearest Neighbor menggunakan tiga data training dan satu data testing yang belum di klasifikasi maka di peroleh hasil atau nilai kedekatan dengan kasus flod 1, 3 dan 5.
sehingga dapat disimpulkan bahwa kasus data testing diklaskan dalam kategori terima.
Dan juga menggunakan koefiesion matriks menggunakan 5 fold falidation maka diperoleh nilai k optimal berada pada K=1 dengan akurasi 100%, sensitivitas 100% dan spesifitas 100%.
DAFTAR PUSTAKA