Analisis Perbandingan Nilai Recall Metode K-Nearest Neighbor dan Support Vector Machine dalam Klasifikasi Tingkat Kematangan Buah Mengkudu

Isi Artikel Utama

Siti Gayatri Hehanussa

Abstrak

Penentuan tingkat kematangan buah mengkudu (Morinda citrifolia) melalui citra digital dapat membantu proses identifikasi secara lebih objektif. Penelitian ini bertujuan untuk menganalisis perbandingan nilai recall metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) dalam klasifikasi tingkat kematangan buah mengkudu. Penelitian menggunakan data citra buah mengkudu dengan fitur warna Hue, Saturation, Intensity (HSI) dan fitur tekstur Local Binary Pattern (LBP). Kedua metode dievaluasi menggunakan data pengujian yang sama. Nilai recall dihitung berdasarkan confusion matrix untuk mengukur kemampuan model dalam mengenali kelas kematangan. Hasil penelitian menunjukkan bahwa KNN memperoleh nilai recall sebesar 86,00%, sedangkan SVM dengan kernel linear memperoleh nilai recall sebesar 87,69%. Berdasarkan hasil tersebut, SVM dengan kernel linear menunjukkan nilai recall yang lebih tinggi dibandingkan KNN. Hasil ini memberikan gambaran mengenai perbedaan kemampuan kedua metode dalam mengenali tingkat kematangan buah mengkudu berdasarkan nilai recall.

Rincian Artikel

Cara Mengutip
Hehanussa, S. G. (2026). Analisis Perbandingan Nilai Recall Metode K-Nearest Neighbor dan Support Vector Machine dalam Klasifikasi Tingkat Kematangan Buah Mengkudu. Jurnal Ilmu Komputer STIKOM Ambon, 11(1), 51–54. Diambil dari https://jurnal.itbstikomambon.com/index.php/jikomstik/article/view/150
Bagian
Artikel

Referensi

S. G. Hehanussa, S. H. Wijaya, dan T. Haryanto, “Penerapan Metode K-Nearest Neighbor dan Support Vector Machine untuk Klasifikasi Kematangan Buah Mengkudu,” Jurnal Ilmu Komputer dan Agri-Informatika, vol. 12, no. 1, hlm. 25–37, 2025, doi: 10.29244/jika.12.1.25-37.

T. M. Cover dan P. E. Hart, “Nearest Neighbor Pattern Classification,” IEEE Transactions on Information Theory, vol. 13, no. 1, hlm. 21–27, 1967, doi: 10.1109/TIT.1967.1053964.

C. Cortes dan V. Vapnik, “Support-Vector Networks,” Machine Learning, vol. 20, hlm. 273–297, 1995, doi: 10.1007/BF00994018.

T. Ojala, M. Pietikäinen, dan T. Mäenpää, “Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, hlm. 971–987, 2002, doi: 10.1109/TPAMI.2002.1017623.

M. Sokolova dan G. Lapalme, “A Systematic Analysis of Performance Measures for Classification Tasks,” Information Processing & Management, vol. 45, no. 4, hlm. 427–437, 2009, doi: 10.1016/j.ipm.2009.03.002.

S. K. Behera, A. K. Rath, dan P. K. Sethy, “Maturity Status Classification of Papaya Fruits Based on Machine Learning and Transfer Learning Approach,” Information Processing in Agriculture, vol. 8, no. 2, hlm. 244–250, 2021, doi: 10.1016/j.inpa.2020.05.003.

Classification of Starfruit Maturity Using Smartphone-Image and Multivariate Analysis,” Journal of Agriculture and Food Research, vol. 11, artikel 100473, 2023. doi: 10.1016/j.jafr.2022.100473.