Komparasi Metode K-NN Dan K-Means Untuk Klasifikasi Buah Mangga
Abstract
This Research aim of comparing the modified K-means method for classification processing of training models (Supervised) 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: 0.9%, Madu: 0.9%, Gedong: 0.9%, Golek: 0.8%, and the K-Means method was Arumanis: 0.7%, Honey: 0.9%, Gedong: 0.9%, Golek 0.6%. The recall percentage of the K-NN method is Arumanis: 0.90%, Madu: 0.75%, Gedong: 1.00%, Golek: 0.89% and the K-means method is Arumanis: 0.70%, Madu: 0 .64%, Gedong: 1.00%, Golek: 0.86%. The accuracy percentage of the K-NN classification method is Arumanis: 94.59%, Madu: 89.74%, Gedong: 97.22%, Golek: 92.11% and the K-Means method is Arumanis: 83.78%, Madu: 83.78%, Gedong: 96.88%, Golek: 86.11%. For global precision, recall and accuracy values, the K-NN method is greater than the K-Means method. 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
AbstrakPenelitian dengan tujuan komparasi Metode K-means yang dimodifikasi untuk pemrosesan klasifikasi model pelatihan (Supervised) 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 (supervised) 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
References
S. Utami, K. Baskoro, and L. Khotimperwati, “Keragaman Varietas Mangga ( Mangifera indica L .) Di Kotamadya Semarang Jawa Tengah,” Bioma, vol. 21, no. 2, 2019.
D. T. Sazmita, R. Efendi, and B. Susilo, “Pengolahan Citra Telapak Tangan Manusia Menggunakan Metode Histogram dan Homomorfhic Filtering,” J. Rekursif, vol. 8, no. 1, pp. 47–58, 2020.
M. Anike, “Analisa Pengolahan Citra Menggunakan Metode Transformasi Fourier,” Konf. Nas. Sist. Inform. 2015, pp. 9–10, 2015.
M. Siregar and G. Ginting, “Implementasi Metode Gray Level Slicing dalam Pencarian Citra Pada Basis Data,” Maj. Ilm. INTI, vol. 5, no. 2, pp. 2–6, 2018.
J. Jumadi, Y. Yupianti, and D. Sartika, “Pengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering,” JST (Jurnal Sains dan Teknol., vol. 10, no. 2, pp. 148–156, 2021.
A. Andreansyah, “Aplikasi Pengenalan Pola Citra Logo Obat Medis Menggunakan K- Means Clustering,” ELTI J. Elektron. List. dan Teknol. Inf. Terap., vol. 2, no. 1, pp. 7–12, 2020.
Z. E. Fitri, R. Aprilia, A. Madjid, A. Mujibtamala, and N. Imron, “Ensiklopedia Digital Berdasarkan Klasifikasi Varietas Buah Mangga (Mangifera spp .) Menggunakan Algoritma Backpropagation Digital,” Komputika J. Sist. Komput., vol. 11, no. 28, pp. 113–120, 2022.
Y. Oktavianto, Sunaryo, and A. Suryanto, “Karakteristik Tanaman Mangga (Mangifera Indica L.) Cantek, Empok, Jempol Di Desa Tiron, Kecamatan Banyakan Kabupaten Kediri,” J. Produksi Tanam., vol. 3, no. 2, pp. 91–97, 2015.
W. Supriyatin, “Ekstraksi Ciri Bentuk pada Citra Bergerak Menggunakan Teknik Batas Tepi,” Komputasi J. Ilm. Ilmu Komput. dan Mat., vol. 19, no. 1, pp. 1–8, 2022.
A. P. Wibawa, M. Guntur, A. Purnama, M. F. Akbar, and F. A. Dwiyanto, “Metode-metode Klasifikasi,” Pros. Semin. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 1, pp. 134–138, 2018.
A. Mario, S. Herry, and H. Nasution, “Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness,” J. Sist. dan Teknol. Inf., vol. 1, no. 1, pp. 1–6, 2016.
R. M. Hakiky, N. Hikmah, and D. Ariyanti, “Klasifikasi Jenis Pohon Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Backpropagation,” J. Inform. UPGRIS, vol. 6, no. 2, pp. 46–50, 2020.
M. S. Hidayatuloh and S. Pawenang, “Kinerja 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,” vol. 14, no. 1, pp. 103–110, 2022.
D. Satria, Y. Kartika, and H. Maulana, “Preprosesing serta Normalisasi pada Dataset Kupu- Kupu untuk Ekstraksi Fitur Warna , Bentuk dan Tekstur,” Complet. J. Comput. Electron. Telecommun., vol. 1, no. 2, pp. 1–8, 2019.
D. Hidayat, “Klasifikasi Jenis Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Convolution Neural Network (CNN),” J. Inf. Technol. Comput. Sci., vol. 5, no. 1, pp. 98–103, 2022.
S. Hartiningtyas, I. Ruslianto, and R. Hidayati, “Klasifikasi Jenis Mangga Berdasarkan Bentuk Buah Dengan Metode K-Nearest Neighbor Berbasis Android,” J. Coding, Sist. Komput. Untan, vol. 06, no. 1, pp. 12–13, 2018.
H. D. Hutahaean, B. D. Waluyo, and M. A. Rais, “Teknologi Identifikasi Objek Berbasis Drone Menggunakan Algoritma Sift Citra Digital,” J. Tek. Inform. Unika St. Thomas, vol. 04, no. 02, pp. 202–207, 2019.
Gansar Suwanto, R. Ibnu Adam, and Garno, “Identifikasi Citra Digital Jenis Beras Menggunakan Metode Anfis dan Sobel,” J. Inform. Polinema, vol. 7, no. 2, pp. 123–128, 2021.
H. Bethaningtyas, H. Naufal, and G. W. Fajarianto, “Pengenalan Jenis Seragam Loreng Tni Menggunakan Kombinasi Eccentricity Dan Metric,” TEKTRIKA - J. Penelit. dan Pengemb. Telekomun. Kendali, Komputer, Elektr. dan Elektron., vol. 2, no. 2, pp. 1–8, 2018.
H. Budiati and A. R. Himamunanto, “Metode Subtraksi Citra Sebagai Upaya Deteksi Gerakan Tangan,” Pros. SAINTEK Sains dan Teknol., vol. 1, no. 1, pp. 6–13, 2022.
S. Bhahri, “Transformasi Citra Biner Menggunakan Metode Thresholding Dan Otsu Thresholding,” e-Jurnal JUSITI (Jurnal Sist. Inf. dan Teknol. Informasi), vol. 7–2, no. 2, pp. 196–203, 2018.
Santosa, S. Sudin, and N. S. Kamala, “Identifikasi Tingkat Kesegaran Ikan Tuna Melalui Citra Mata Menggunakan Metode K-Nearesh Neighbor (KNN),” J. PRODUKTIF, vol. 6, no. 1, pp. 517–524, 2022.
L. Veronica, I. H. Al Amin, B. Hartono, and T. Kristianto, “Ekstraksi Fitur Tekstur Menggunakan Matriks GLCM pada Citra dengan Variasi Arah Obyek,” Pros. SENDI_U, pp. 978–979, 2019.
Rahmadwati, E. Yudaningtyas, and Subairi, “Implementasi Metode k-Nearest Neighbor pada Pengenalan Pola Tekstur Citra Saliva untuk Deteksi Ovulasi,” J. EECCIS, vol. 12, no. 1, pp. 9–14, 2019.
A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, R. Ridlo, and A. Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, pp. 388–395, 2022.
R. Aprillyano, A. Sanjaya, and D. W. Widodo, “Klasifikasi Kualitas Telur Ayam Menggunakan Metode K-Means Clustering,” Semin. Nas. Inov. Teknol., pp. 41–46, 2022.
C. B. Sanjaya and M. I. Rosadi, “Klasifikasi Buah Mangga Berdasarkan Tingkat Kematangan Menggunakan Least-Squares Support Vector Machine,” Explor. IT J. Keilmuan dan Apl. Tek. Inform., vol. 10, no. 2, pp. 1–8, 2018.
P. Nabilla, M. F. Saputra, and R. Adi Saputra, “Perbandingan Ruang Warna Rgb, Hsv Dan Ycbcr Untuk Segmentasi Citra Ikan Kembung Menggunakan K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 476–481, 2022.
H. P. Hadi and E. H. Rachmawanto, “Ekstraksi Fitur Warna Dan Glcm Pada Algoritma Knn Untuk Klasifikasi Kematangan Rambutan,” J. Inform. Polinema, vol. 8, no. 3, pp. 63–68, 2022.
L. Z. Muslim, I. G. P. Sutawijaya, and F. Bimantoro, “Klasifikasi Kualitas Kesegaran Buah Semangka Berdasarkan Fitur Warna YCbCr Menggunakan Algoritma K-Means Terbobot,” Jtika, vol. 1, no. 2, pp. 208–215, 2019.
