IMPLEMENTASI MECHINE LEARNING PADA HYBRID INTELLIGENCE SISTEM MENGUNAKAN METODE PCA-KNN PADA JENIS BUAH APEL, JERUK, TOMAT

Abstract

Abstract: This research aims to implement the Principal Component Analysis (PCA) and K-Nearest Neighbor (KNN) methods in a digital image-based classification system for apples, oranges and tomatoes. PCA is used to reduce data dimensions to increase computational efficiency without losing important information, while KNN is applied for the classification process of extracted data. This research includes several stages, starting from image data collection, preprocessing, segmentation, feature extraction, to accuracy testing. The research results show that the combination of PCA and KNN methods is able to provide a high level of accuracy, with an average accuracy of 90%. In detail, the classification of apples achieved 100% accuracy, oranges 90%, and tomatoes 100%. PCA successfully eliminates redundant features, thereby increasing the efficiency of the classification process, while KNN shows reliability in handling reduced data. Keywords: Principal Component Analysis, K-Nearest Neighbor, classification, image processing, machine learning. Abstrak: Penelitian ini bertujuan untuk mengimplementasikan metode Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN) dalam sistem klasifikasi buah apel, jeruk, dan tomat berbasis citra digital. PCA digunakan untuk mereduksi dimensi data guna meningkatkan efisiensi komputasi tanpa kehilangan informasi penting, sementara KNN diterapkan untuk proses klasifikasi data hasil ekstraksi. Penelitian ini mencakup beberapa tahapan, mulai dari pengumpulan data citra, preprocessing, segmentasi, ekstraksi fitur, hingga pengujian akurasi. Hasil penelitian menunjukkan bahwa kombinasi metode PCA dan KNN mampu memberikan tingkat akurasi yang tinggi, dengan rata-rata akurasi sebesar 90%. Secara rinci, klasifikasi apel mencapai akurasi 100%, jeruk 90%, dan tomat 100%. PCA berhasil mengeliminasi fitur redundan, sehingga meningkatkan efisiensi proses klasifikasi, sedangkan KNN menunjukkan keandalan dalam menangani data yang telah direduksi. Kata Kunci: Principal Component Analysis, K-Nearest Neighbor, klasifikasi, pengolahan citra, machine learning.