Klasifikasi Bumbu Dapur Indonesia Menggunakan Metode K-Nearest Neighbors (K-NN)
DOI:
https://doi.org/10.32664/smatika.v11i01.568Kata Kunci:
pembagian dataset, K-Nearest Neighbors, bumbu dapur Indonesia, Image ProcessingAbstrak
Bumbu adalah salah satu elemen yang sangat penting dalam sebuah masakan. Bumbu dapur atau rempah Indonesia memiliki jenis ragam yang sangat banyak. Kesalahan dalam pemilihan bumbu sangat berpengaruh terhadap rasa masakan. Image processing merupakan salah satu cabang ilmu dalam bidang teknologi yang dapat dimanfaatkan untuk mengenali objek citra yang ditangkap oleh kamera. Penelitian ini akan mengklasifikasikan jenis bumbu dapur yang hampir mirip yaitu jahe,lengkuas, kunyit dan kencur. Metode klasifikasi yang dipakai adalah K-Nearest Neighbors(K-NN). Pada penelitian ini kita menguji cara split data training dan data testing yaitu 66,7%: 33,33%, 75%:25% dan 90%:10%. Pembagian data training dan data testing menggunakan 90%:10% memiliki rata rata akurasi yang paling besar dibandingkan cara pembagian yang lain. Pemilihan K=3 atau K=5 memiliki rata rata akurasi yang hampir sama pada semua cara split data training dan data testing yaitu 64,66%: 65%. Pada K=1 memiliki akurasi yang cukup tinggi dibandingkan K sebelumnya yaitu 73%.
Referensi
W. Setiawan and F. Damayanti, “Klasifikasi Citra Retina Menggunakan K-Nearest,†in Seminar Nasional Sains dan Teknologi, 2016, no. November, pp. 1–6.
S. M. Ayyad, A. I. Saleh, and L. M. Labib, “Gene expression cancer classification using modified K-Nearest Neighbors technique,†BioSystems, vol. 176, no. December 2018, pp. 41–51, 2019, doi: 10.1016/j.biosystems.2018.12.009.
A. R. Widiarti, “K-nearest neighbor performance for Nusantara scripts image transliteration,†J. Teknol. dan Sist. Komput., vol. 8, no. 2, pp. 150–156, 2020, doi: 10.14710/jtsiskom.8.2.2020.150-156.
S. H. Wardani, T. Rismawan, and S. Bahri, “Aplikasi Klasifikasi Jenis Tumbuhan Mangrove Berdasarkan Karakteristik Morfologi Menggunakan Metode K-Nearest Neighbor (KNN) Berbasis Web,†Coding J. Komput. dan Apl. Untan, vol. 04 (3), no. 3, pp. 9–21, 2016.
E. Budianita, J. Jasril, and L. Handayani, “Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi Berbasis Web,†J. Sains dan Teknol. Ind., vol. 12, no. Vol 12, No 2 (2015): Juni 2015, pp. 242–247, 2015, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/sitekin/article/view/1005.
B. S. Hutagaol, Y. A. Sari, and P. P. Adikara, “Ekstraksi Fitur RGB Color Channel dan Simple Morphological Shape Descriptors dari Citra Makanan untuk Pencarian Resep Makanan,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, pp. 2923–2928, 2019.
R. Arian, A. Hariri, A. Mehridehnavi, A. Fassihi, and F. Ghasemi, “Protein kinase inhibitors’ classification using K-Nearest neighbor algorithm,†Comput. Biol. Chem., vol. 86, p. 107269, 2020, doi: 10.1016/j.compbiolchem.2020.107269.
A. Rosebrock, Deep Learning for Computer Vision With Python, 3rd ed. United States of America: PyImageSearch, 2018.
O. S. Y. Prakasa and K. M. Lhaksmana, “Klasifikasi Teks Dengan Menggunakan Algoritma K-nearest Neighbor Pada Kasus Kinerja Pemerintah Di Twitter,†eProceedings Eng., vol. 5, no. 3, pp. 8237–8248, 2018.
L. Farokhah, “Implementasi K-Nearest Neighbor Untuk Klasifikasi Bunga Implementation of K-Nearest Neighbor for Flower Classification With Extraction of Rgb Color Features,†J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1129–1136, 2020, doi: 10.25126/jtiik.202072608.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Penulis telah menyetujui bahwa pemegang hak cipta adalah SMATIKA Jurnal. Dan Author berhak menyebarkan artikel tanpa seijin SMATIKA jurnal.
