Abdullah Abdullah
Universitas Islam Indagiri

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Klasifikasi Kopra Putih Menggunakan Algoritma k-Nearest Neighbor Rosi Rahayu Marlis; Abdullah Abdullah; Fitri Yunita
Sistemasi: Jurnal Sistem Informasi Vol 10, No 2 (2021): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (837.205 KB) | DOI: 10.32520/stmsi.v10i2.1200

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%.
Identification of Barangan Banana Ripeness Treatment Types using k-Nearest Neighbor Abdullah Abdullah; Rendi Azrian
Sistemasi: Jurnal Sistem Informasi Vol 11, No 3 (2022): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32520/stmsi.v11i3.2281

Abstract

Bananas are favored by the public because bananas are rich in nutrients that our bodies need. One of the bananas that people are interested in is the Barangan. Bananas sold in the market have various types of ripeness that vary based on their treatment. This study aimed to identify the type of treatment for Barangan. Identification is carried out based on an analysis of the image of Barangan using color and texture features. The k-Nearest Neighbor (k-NN) method is used in the identification. The k-NN compares the similarity between the unknown data and the sample data. The k values used in this study are k=1, k=3, and k=5. The Euclidean Distance is used to measure the distance between 2 feature vectors. The classification test uses the holdout method, where the percentage of the amount of sample data and test data is 66.67% of training data and 33.33% of test data. The accuracy obtained at k=1 is 86.67%, at k=3 is 76.67%, and at k=5 is 80%. The best accuracy for identifying banana ripeness treatment types using the k-Nearest Neighbor method is obtained at k = 1, with accuracy reaching 86.67%.