K-Nearest Neighbor Untuk Klasifikasi Jenis Buah Berdasarkan Berat, Tinggi, dan Lebar
Abstract
Determination of the type of fruit can use several indicators. Indicators that can be used are weight, height and width. In this study, the method for determining and classifying the fruit using the K-Nearest Neighbor (kNN) method. Total data used for this research there are 59 data. There are 3 indications to determine the type of fruit, namely weight, height, and width. Scenario The test carried out is to divide the data into 80% for training data and 20% for test data with neighbor parameter value (k). The "k" value tested was 5 and got an accuracy of 99.4%. Results that obtained is that we can classify fruit types based on weight, height and width and kNN algorithm that determines the type of fruit.
References
Ataka, I., Nurhadiyono, B., & Zakiyah, F. (2016). Identifikasi Jenis Buah Apel Menggunakan Algoritma K- Nearest . 1-8.
Ayu, V. (2018). Klasifikasi Musik Berdasarkan Genre . Jurnal Ilmu Komputer, 103-108.
Darmayanti, I., Subarkah, P., R, L., & Suhaman, J. (2021). PREDIKSI POTENSI SISWA PUTUS SEKOLAH AKIBAT PANDEMI . Jurnal Sains dan Teknologi, 230-238.
Eka, Y., & Nafi'iyah, N. (2021). Klasifikasi Jenis PisangBerdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN. Journal of Computer, Information System, &Technology Management, 28- 36.
Farokhah, L. (2020). IMPLEMENTASI K-NEAREST NEIGHBOR UNTUK KLASIFIKASI BUNGA .Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 1129-1135
Haba, A. R., & Husdi. (2020). Sistem Cerdas dalam Mengidentifikasi Kematangan Buah Naga. ILKOM Jurnal Ilmiah, 225-232Harun, R., Kartika, & Lasena, Y. (2020). PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI. MISI (Jurnal Manajemen informatika & Sistem Informasi), 8-15
.Ivo, C. (2019). PREDIKSI LOYALITAS PELANGGAN . Jurnal Sistem Informasi dan Teknik Komputer, 100-103.
Liantoni, F. (2015). Klasifikasi Daun Dengan Perbaikan Fitur Citra 2. ULTIMATICS, 98-104.
Mariana, N., S, R., & A, J. (2015). PENERAPAN ALGORITMA k-NN (nearest Neighbor) UNTUK DETEKSI PENYAKIT . Dinamika Informatika, 26-34.
N, H., Slamet, I., & Zukhoronah, E. (2019). KLASIFIKASI CALON PENERIMA BIDIKMISI DENGAN MENGGUNAKAN . SEMINAR NASIONAL PENELITIAN PENDIDIKAN MATEMATIKA (SNP2M), 88- 93.
Nugraheni, O. D., Astika, I. W., & Subrata, I. D. (2017). Klasifikasi Inti Sawit Berdasarkan Analisis Tekstur dan Morfologi . Jurnal Keteknikan Pertanian, 113-120
Patriot, A., Nur, N., & Qomariyah, N. (2019). K-NN Klasifikasi Kematangan Buah Mangga Manalagi Menggunakan L*A*B dan Fitur Statisti. Jurnal Ilmu Komputer dan Desain Komunikasi Visual, 1-8.
Paramita, C., Hari, E., Atika, C., & S, D. R. (2019). Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan. Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 1-6
Ranny, Soelistio, U. E., & Satvika, N. M. (2016). Metode Pencocokan Bunyi Ketuk Buah dengan Kadar Kemanisan Menggunakan k-Nearest Neighbour. ULTIMATICS, 119-124.
Raysyah, S., Arinal, V., & Iskandar, D. (2021). KLASIFIKASITINGKATKEMATANGANBUAH KOPIBERDASARKAN DETEKSIWARNAMENGGUNAKAN METODE KNN DAN PCA. Jurnal Sistem Informasi, 88-95.
Siswanto, I., Utami, E., & Raharjo, S. (2020). KLASIFIKASI TINGKAT KEMATANGAN BUAH BERDASARKAN . Jurnal Teknologi Informasi dan Komunikasi, 93-101
Sumarlin. (2015). Implementasi Algoritma K-Nearest Neighbor Sebagai. Jurnal Sistem Informasi Bisnis, 52- 62
Wibowo, F., K, D., & Sugiyanto, S. (2018). PENDUGAAN KELAS MUTU BUAH PEPAYA . JANAPATI, 100-107.
Wijaya, N., & Ridwan, A. (2019). Klasifikasi Jenis Buah Apel Dengan Metode K-Nearest Neighbors. SISFOKOM, 74-78.
