Klasifikasi Buah Kelapa Muda, Kelapa Tua, dan Buah Naga Menggunakan Pendekatan Hybrid PCA-KNN
DOI:
https://doi.org/10.54314/jssr.v8i1.2581Abstract
 Abstract: This study discusses the classification method of young coconuts, old coconuts, and dragon fruits using a hybrid Principal Component Analysis (PCA) and K-Nearest Neighbors (KNN) approach. This approach aims to improve the accuracy and efficiency of fruit classification based on visual and texture features. The research data were taken from fruit images processed using PCA for dimension reduction, followed by the KNN algorithm for classification. The test results showed that the combination of PCA and KNN was able to provide high accuracy, with an average accuracy value reaching 96%. Keyword: fruit classification, PCA, KNN, image processing.Abstrak: Penelitian ini membahas metode klasifikasi buah kelapa muda, kelapa tua, dan buah naga menggunakan pendekatan hybrid Principal Component Analysis (PCA) dan K-Nearest Neighbors (KNN). Pendekatan ini bertujuan untuk meningkatkan akurasi dan efisiensi dalam klasifikasi buah berdasarkan fitur visual dan tekstur. Data penelitian diambil dari citra buah yang diproses menggunakan PCA untuk reduksi dimensi, dilanjutkan dengan algoritma KNN untuk klasifikasi. Hasil pengujian menunjukkan bahwa kombinasi PCA dan KNN mampu memberikan akurasi tinggi, dengan nilai rata-rata akurasi mencapai 96%. Kata kunci: klasifikasi buah, PCA, KNN, pengolahan citra.Downloads
References
Syahril, S., Asri, S. M., Dessy, A.M., 2022. “Studi Produktifitas Tanaman Kelapa (Cocos Nurifera L) di Negeri Tial Kecamatan Maluku Tengahâ€. Jurnal Agrohut, vol. 13, no. 2, pp 87-96.
Rahman, A., Santoso, D., 2022. “Pengolahan Citra Digital untuk Klasifikasi Buahâ€. Jurnal Teknologi Pertanian, 15(3), 45-54.
Zulfahmi, Z., Laila, Q., 2023. “Sistem klasifikasi jenis sayuran menggunakan algoritma PCA dan K-NNâ€. J. Real Ris., vol. 5, no. 1, pp. 317–320, doi: 10.47647/jrr.v5i1.1169.
Nurdiansyah, Muliadi, Rudi, H., Dwi, K., Irawan, B., 2024. “Implementasi Metode Principal Component Analysis (PCA) Dan Midified K-Nearest Neighbor (K-NN) Pada Klasifikasi Citra Daun Tanaman Herbalâ€. J. Mnemon., vol. 7, no. 1, pp. 1–9, 2024, doi: 10.36040/mnemonic.v7i1.6664.
Siti, R., Veri, A., Dadang, I. M., 2021. “Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan Deteksi Warna Menggunakan Metode KNN Dan PCAâ€. JSiI (Jurnal Sist. Informasi), vol. 8, no. 2, pp. 88–95, doi: 10.30656/jsii.v8i2.3638.
Andi, D. K., Eka, H. R., 2022. “Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN) dalam Deteksi Masker pada Wajahâ€. Pros. Sains Nas. dan Teknol., vol. 12, no. 1, p. 382, doi: 10.36499/psnst.v12i1.7066.
Farkhatun, Z., Supatman, 2025. “Implementasi Metode K-Nearest Neighbor Dalam Menentukan Klasifikasi Strata Posyandu Di Kabupaten Brebes,†vol. 5, no. 1.
Nugroho, E., 2020. Reduksi Dimensi Data dengan PCA. Jurnal Sistem Informasi, 12(1), 23-30.
