JSI (Jurnal Sistem Informas.
Universitas Dirgantara Marsekal Suryadarma p-ISSN: 2355-9675 e-ISSN: 2541-3228 Penerapan Algoritma K-Nearest Neighbors dalam Klasifikasi Kendaraan Berdasarkan Gambar: Studi Kasus pada Sistem Pengenalan Kendaraan Otomatis Mohammad Khoirul Anwar1,*.
Chirza Rahman2.
Indra Wahyu Mahendra3.
Alfianas Shofi Tafta Mahendra 4.
Arif Setiawan 5 1,5Department of Information Systems.
Universitas Muria Kudus.
Indonesia khoirulawr754@gmail.
com, chirzarhman@gmail.
com, indramahendraa13@gmail.
com, anasbikintugas@gmail.
setiawan@umk.
Article Info Article history:
Received May 2, 2025 Accepted June 10, 2025 Published July 1, 2025 Kata Kunci:
K-Nearest Neighbors Klasifikasi Kendaraan Gambar
Preprocessing Akurasi
ABSTRAK
Penelitian ini mengkaji penerapan algoritma K-Nearest Neighbors (KNN) dalam klasifikasi kendaraan berdasarkan gambar.
Tujuan utama penelitian ini adalah untuk membangun model klasifikasi yang dapat membedakan jenis kendaraan, yaitu mobil dan motor, menggunakan gambar sebagai Gambar kendaraan diekstraksi menjadi vektor fitur numerik melalui teknik ekstraksi berbasis intensitas piksel.
Metodologi yang digunakan meliputi pembagian dataset menjadi data latih dan uji dengan proporsi 70% dan 30%, serta penerapan KNN dengan parameter k=3.
Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1score.
Hasil eksperimen menunjukkan bahwa model KNN dapat mengklasifikasikan kendaraan dengan akurasi 100%, dengan nilai precision, recall, dan F1-score yang sempurna untuk kedua kategori kendaraan, mobil dan motor.
Penelitian ini menyimpulkan bahwa KNN adalah metode yang efektif dan efisien dalam klasifikasi berbasis citra.
Serta dapat diterapkan pada sistem pengenalan objek yang lebih luas, seperti pengawasan lalu lintas dan sistem parkir otomatis.
Corresponding Author:
Mohammad Khoirul Anwar.
Department of Information Systems.
Universitas Muria Kudus.
Email: *khoirulawr754@gmail.
PENDAHULUAN
Dengan kemajuan dalam teknologi machine learning dan pengolahan gambar, sistem klasifikasi otomatis dapat mengenali objek berdasarkan gambar.
Salah satu metode atau algoritma yang sering digunakan yaitu K-Nearest Neighbors (KNN), sebuah metode klasifikasi berbasis instance-based learning yang mengklasifikasikan objek berdasarkan kedekatannya dengan tetangga terdekatnya dalam ruang fitur.
Namun, selain KNN, terdapat beberapa algoritma lain yang juga banyak digunakan dalam klasifikasi citra, seperti Support Vector Machine (SVM) dan Convolutional Neural Networks (CNN).
(Pake et al.
, 2.
(Nanda et al.
, 2.
A Support Vector Machine (SVM): Karena kemampuan untuk menangani data non-linear dengan baik, algoritma ini sering digunakan untuk masalah klasifikasi.
Salah satu keunggulannya adalah akurasi yang tinggi untuk dataset kecil hingga menengah, tetapi pelatihan yang lebih lama dan kebutuhan untuk memilih parameter yang tepat adalah kekurangan.
A Convolutional Neural Networks (CNN): CNN, algoritma deep learning yang sangat baik untuk ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE) pengolahan gambar, membutuhkan waktu pelatihan yang lebih lama dan dataset yang lebih besar dibandingkan dengan KNN, meskipun memberikan hasil yang luar biasa dalam klasifikasi gambar.
A K-Nearest Neighbors (KNN): Kelebihan KNN adalah mudah digunakan dan sederhana.
Namun.
KNN dapat dipengaruhi oleh data noise atau outlier, dan membutuhkan nilai k yang ideal.
Sistem klasifikasi otomatis untuk mengenali objek berdasarkan gambar semakin banyak digunakan karena kemajuan dalam teknologi pengolahan citra dan machine learning.
K-Nearest Neighbors (KNN), algoritma klasifikasi berbasis instance-based learning, mengklasifikasikan objek berdasarkan kedekatannya dengan tetangga terdekatnya dalam ruang fitur.
KNN adalah salah satu algoritma yang paling sering digunakan dalam klasifikasi berbasis citra.
Namun, algoritma yang sering digunakan untuk klasifikasi gambar termasuk KNN dan Support Vector Machines (SVM).
Decision Trees, dan Convolutional Neural Networks (CNN).
Sistem kontrol akses parkir, pemantauan otomatis dan pengawasan lalu lintas adalah beberapa contoh aplikasi praktis dari klasifikasi kendaraan berdasarkan gambar.
Teknik ini sangat membantu otomatisasi pengenalan objek di area perkotaan yang padat, di mana banyak kendaraan dan proses identifikasi yang cepat dan akurat diperlukan(Ujianto et al.
, 2.
Pengolahan citra digital memainkan peran penting dalam mengekstraksi fitur visual kendaraan seperti bentuk, warna, dan kontur.
Ekstraksi fitur ini kemudian menjadi dasar untuk mengkonversi gambar kendaraan menjadi vektor numerik yang dapat digunakan dalam proses klasifikasi algoritma seperti KNN.
Metode ini telah terbukti sangat efektif dalam banyak kasus klasifikasi objek visual.
Kelebihan utama algoritma KNN adalah implementasi yang mudah dan kemampuan untuk bekerja dengan dataset yang kecil hingga menengah.
Tetapi KNN juga menghadapi masalah, seperti menemukan nilai k terbaik dan sensitivitas terhadap data noise atau outlier.
Oleh karena itu, sebelum data digunakan untuk klasifikasi, parameter dan preprocessing harus disesuaikan.
Tujuan dari penelitian ini adalah untuk mengevaluasi efektivitas algoritma KNN dalam klasifikasi kendaraan, khususnya mobil dan motor, dengan menggunakan gambar sebagai sumber datanya.
Penelitian ini juga akan melihat seberapa akurat algoritma ini dapat mengenali pola visual kendaraan dengan tingkat akurasi yang dapat diterima, dan juga akan memberikan kontribusi untuk pengembangan sistem klasifikasi otomatis berbasis gambar di masa mendatang(Mujilahwati & Windasari, 2.
METODE
Metode yang diusulkan dalam penelitian ini adalah penerapan algoritma K-Nearest Neighbors (KNN) untuk klasifikasi kendaraan berdasarkan gambar.
Langkah-langkah yang dilakukan dalam proses ini adalah sebagai berikut:
A Preprocessing Gambar: Proses ini memproses gambar kendaraan, termasuk mobil dan motor, untuk mengekstraksi fitur yang bergantung pada intensitas piksel.
Proses ini juga melibatkan normalisasi gambar untuk memastikan fitur berada pada skala yang sama.
A Pembagian Dataset: Dengan menggunakan metode train_test split, dataset dibagi menjadi dua bagian: 70% untuk data pelatihan dan 30% untuk data uji.
A Implementasi KNN: Algoritma KNN digunakan pada data latihan dengan parameter k=3 untuk mengklasifikasikan data uji berdasarkan seberapa dekat mereka dengan tiga tetangga terdekat.
A Evaluasi Model: Model diuji dengan metrik akurasi, precision, recall, dan F1-score.
Gambar 1.
Flow Metode yang diusulkan Dataset yang digunakan terdiri dari gambar kendaraan, termasuk mobil dan motor, yang telah ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE) diekstraksi menjadi vektor fitur numerik melalui teknik ekstraksi fitur berbasis intensitas piksel(Rahayu & Lidiawati, 2.
Tujuan dari metode ini adalah untuk mendapatkan representasi numerik dari fitur kendaraan, yang dapat digunakan dalam proses klasifikasi.
Dengan menggunakan train_test_split, dataset dibagi menjadi dua bagian, 70% untuk pelatihan dan 30% untuk pengujian.
Ini dilakukan untuk memastikan bahwa model dilatih dengan cukup data untuk mengenali pola, dan untuk mengevaluasi kinerjanya secara objektif, diuji pada data yang belum pernah dilihat sebelumnya(Dafid et al.
, 2.
K-Nearest Neighbors (KNN) adalah model dan parameter model yang dipilih.
KNN dipilih karena kesederhanaannya dan kemampuan untuk mengklasifikasikan data berdasarkan kedekatan dengan tetangga terdekat dalam ruang fitur.
Parameter k yang ditetapkan dalam eksperimen ini adalah 3, yang berarti bahwa setiap data uji akan diklasifikasikan berdasarkan mayoritas kelas dari tiga tetangga Pilihan nilai k=3 didasarkan pada penelitian dan eksperimen sebelumnya yang menunjukkan bahwa nilai k memberikan hasil yang cukup baik untuk kumpulan data yang digunakan(Sartika, 2.
(Safitri et al.
, 2.
Karena mudah dan efektif untuk data vector, metrik jarak geometris digunakan dalam KNN(Ismi Anisa Sopiyanti et al.
, 2.
Preprocessing digunakan pada data gambar sebelum diterapkan ke model untuk menyiapkan fitur yang akan digunakan.
Untuk memastikan bahwa semua fitur berada pada skala yang sama dan mencegah fitur dengan nilai yang sangat besar mendominasi proses klasifikasi, fitur numerik yang dihasilkan dari ekstraksi intensitas piksel akan dinormalisasi.
Tujuan dari prosedur ini adalah untuk meningkatkan akurasi model KNN(Widiastuti et al.
, 2.
Dengan mengurangi distorsi yang dihasilkan dari perbedaan skala fitur.
Akurasi.
Precision.
Recall, dan F1-score digunakan untuk mengevaluasi model KNN.
Metrikmetrik ini dipilih karena memberikan gambaran yang luas tentang kinerja model dalam klasifikasi A Akurasi: Menghitung jumlah prediksi model yang benar berdasarkan jumlah data total.
A Precision: Mengevaluasi seberapa tepat prediksi model untuk kelas kendaraan tertentu.
A Recall: Mengevaluasi tingkat kemampuan model untuk mengumpulkan semua data tentang kelas kendaraan yang sebenarnya.
A F1-score: Skor yang menggabungkan precision dan recall dalam satu nilai yang menunjukkan bagaimana keduanya seimbang.
Penelitian ini akan melakukan eksperimen dengan berbagai nilai k dan berbagai jenis metrik jarak lainnya untuk memastikan bahwa model KNN memberikan hasil terbaik.
Hasil eksperimen ini akan dianalisis untuk menemukan konfigurasi terbaik yang memiliki performa dan akurasi terbaik.
HASIL DAN PEMBAHASAN
Pada eksperimen ini, model K-Nearest Neighbors (KNN) dengan parameter k=3 berhasil diterapkan untuk mengklasifikasikan gambar kendaraan .
obil dan moto.
yang telah diproses menjadi vektor fitur numerik.
Evaluasi dilakukan dengan menggunakan metrik akurasi, precision, recall, dan F1-score untuk menilai kinerja model dalam mengklasifikasikan dua kategori kendaraan, yaitu mobil dan motor.
Gambar 2.
Gambar Struktur Data Zip.
Hasil eksperimen menunjukkan bahwa model K-Nearest Neighbors (KNN) dengan parameter k=3 menghasilkan akurasi 100%.
Untuk memperjelas proses ini, berikut adalah rincian dari data preprocessing dan hasil perhitungan manual:
Data Preprocessing: Dataset terdiri dari 100 gambar kendaraan, yang diproses menjadi vektor fitur.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Dari total 100 gambar, 70 gambar digunakan untuk pelatihan dan 30 gambar untuk pengujian.
Perhitungan Akurasi:
A Akurasi dihitung dengan rumus berikut:
Jumlah prediksi benar Akurasi = y 100 = y 100 = 100% Total data A Hasil perhitungan menunjukkan bahwa semua gambar uji .
gambar mobil dan 3 gambar moto.
berhasil diklasifikasikan dengan benar oleh model.
Precision.
Recall, dan F1-Score:
A Untuk kategori motor, score precision, recall, dan F1 masing-masing bernilai 1.
00, yang menunjukkan bahwa model mengidentifikasi semua gambar motor dengan benar tanpa kesalahan.
A Selain itu, skor F1 untuk precision, recall, dan F2 mencapai 1.
00, yang menunjukkan akurasi yang sempurna dalam mengidentifikasi mobil dalam kategori mobil.
Ini berarti model mampu memprediksi dengan sempurna antara mobil dan motor pada data uji yang diberikan, yang terdiri dari 3 gambar motor dan 3 gambar mobil.
A Precision.
Recall, dan F1-Score untuk kategori motorcycle .
00 untuk setiap metrik, yang menunjukkan bahwa semua prediksi motor benar-benar merupakan motor dan semua gambar motor berhasil diidentifikasi dengan benar oleh model.
A Precision.
Recall, dan F1-Score untuk kategori car .
juga menunjukkan nilai 1.
menandakan bahwa model dapat mengidentifikasi semua gambar mobil dengan sangat tepat dan tanpa kesalahan.
Gambar 3.
Gambar Laporan Klasifikasi Keseluruhan.
Gambar 4.
Gambar Prediksi Motorcycle.
Intensitas piksel yang diekstraksi dari gambar motor tersebut memungkinkan model KNN untuk mengenali kendaraan ini dengan tepat.
Gambar 5.
Gambar Prediksi Car.
ISSN: 2355-9675 (PRINT), 2541-3228 (ON LINE)
Model memprediksi mobil dengan benar, seperti yang ditunjukkan pada gambar ini.
Model KNN dapat mengidentifikasi mobil ini sebagai mobil tanpa kesalahan dengan menggunakan vektor fitur yang diekstraksi dari gambar mobil.
KESIMPULAN
Studi ini menunjukkan bahwa algoritma K-Nearest Neighbors (KNN) dapat digunakan dengan baik untuk klasifikasi kendaraan berdasarkan gambar.
Model yang dikembangkan menunjukkan hasil yang sangat baik dalam mengklasifikasikan gambar kendaraan dengan akurasi 100%.
Berikut adalah indikator keberhasilan model KNN berdasarkan evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score:
Tabel 1.
Hasil model KNN mengidentifikasi semua gambar Kategori Motor Mobil Akurasi Precision Recall F1-score Selain itu, penelitian ini berkontribusi besar pada pengembangan sistem klasifikasi otomatis berbasis gambar yang dapat digunakan untuk berbagai tujuan, seperti pengawasan lalu lintas, parkir otomatis, dan sistem pengenalan kendaraan di jalan raya.
Disarankan untuk melakukan eksperimen dengan lebih banyak jenis metrik jarak dan nilai k, serta menggunakan dataset yang lebih besar untuk menilai kemampuan model dalam konteks yang lebih kompleks.
DAFTAR PUSTAKA