IMPLEMENTASI METODE ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) DAN ALGORITMA K-NEAREST NEIGHBOR (KNN) DALAM KLASIFIKASI BUAH JAMBU MADU JAMBU MERAH DAN MANGGIS
DOI:
https://doi.org/10.54314/jssr.v8i1.2584Abstract
Abstract: Hybrid Intelligent Systems are systems that combine more than one artificial intelligence (AI) technique or computational approach to leverage their respective strengths and overcome their individual weaknesses. HIS are usually designed to handle complex tasks that are difficult to solve with a single approach. These systems combine techniques such as fuzzy logic, artificial neural networks, evolutionary algorithms, and rule-based methods, resulting in more flexible, adaptive, and intelligent solutions. The method used in the classification is the Principal Component Analysis (PCA) Algorithm, which is a statistical analysis method that aims to reduce data dimensions while maintaining significant information. PCA works by transforming the initial variables into a set of uncorrelated principal components. This technique is widely used in various fields such as image processing, pattern recognition, data compression, and exploratory data analysis. The PCA process involves decomposing the covariance or correlation matrix of the data to find the eigenvectors and eigenvalues that represent the principal components. By reducing dimensions, PCA helps overcome data redundancy problems, improves computational efficiency, and enables data visualization in lower dimensions. This study reviews the basic concept of PCA, its mathematical implementation, and its practical application in multidimensional data analysis. The K-Nearest Neighbor (KNN) algorithm is a machine learning method used for classification and regression with a simple principle, namely determining the class or value of a data based on its k nearest neighbors in the feature space. KNN works by calculating the distance between the test data and the training data using metrics such as Euclidean Distance, Manhattan Distance, or Minkowski Distance, then determining the prediction results based on the majority of classes or the average value of the nearest neighbors.
Â
Keywords: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN).
Abstrak: Hybrid Intelligent Systems merupakan sistem yang menggabungkan lebih dari satu teknik kecerdasan buatan (AI) atau pendekatan komputasi untuk memanfaatkan kekuatan masing-masing dan mengatasi kelemahan individu. HIS biasanya dirancang untuk menangani tugas-tugas yang kompleks, yang sulit diselesaikan dengan pendekatan tunggal. Sistem ini memadukan teknik-teknik seperti logika fuzzy, jaringan saraf tiruan, algoritma evolusioner, dan metode berbasis aturan, sehingga menghasilkan solusi yang lebih fleksibel, adaptif, dan cerdas. Adapun metode yang digunakan dalam klasifikasi yaitu Algoritma Principal Component Analysis (PCA) merupakan salah satu metode analisis statistik yang bertujuan untuk mereduksi dimensi data sambil mempertahankan informasi yang signifikan. PCA bekerja dengan mentransformasikan variabel awal menjadi sekumpulan komponen utama (principal components) yang tidak saling berkorelasi. Teknik ini banyak digunakan dalam berbagai bidang seperti pengolahan citra, pengenalan pola, kompresi data, dan analisis data eksploratif. Proses PCA melibatkan dekomposisi matriks kovarians atau korelasi data untuk menemukan vektor eigen dan nilai eigen yang merepresentasikan komponen utama. Dengan mereduksi dimensi, PCA membantu mengatasi masalah redundansi data, meningkatkan efisiensi komputasi, dan memungkinkan visualisasi data dalam dimensi yang lebih rendah. Studi ini mengulas konsep dasar PCA, implementasi matematisnya, serta aplikasi praktisnya dalam analisis data multidimensi. Algoritma K-Nearest Neighbor (KNN) adalah metode pembelajaran mesin yang digunakan untuk klasifikasi dan regresi dengan prinsip sederhana, yaitu menentukan kelas atau nilai suatu data berdasarkan k tetangga terdekatnya dalam ruang fitur. KNN bekerja dengan menghitung jarak antara data uji dengan data pelatihan menggunakan metrik seperti Euclidean Distance, Manhattan Distance, atau Minkowski Distance, kemudian menentukan hasil prediksi berdasarkan mayoritas kelas atau rata-rata nilai tetangga terdekat.
Â
Kata kunci: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN).Downloads
References
F. A. Rafrastaraa, R. A. Pramunendar, D. P. Prabowo, E. Kartikadarma, and U. Sudibyo, “Optimasi Algoritma Random Forest menggunakan Principal Component Analysis untuk Deteksi Malware,†J. Teknol. Dan Sist. Inf. Bisnis, vol. 5, no. 3, pp. 217–223, 2023, doi: 10.47233/jteksis.v5i3.854.
R. Andrean Nugraha, E. Wahyu Hidayat, and R. Nur Shofa, “Klasifikasi Jenis Buah Jambu Biji Menggunakan Algoritma Principal Component Analysis dan K-Nearest Neighbor,†Gener. J., vol. 7, no. 1, pp. 1–7, 2023, doi: 10.29407/gj.v7i1.17900.
M. S. Satrio, “Pengenalan Wajah Menggunakan Principal Component Analysis ( Pca ) Dan Eigen Face,†J. Inform. dan Ris., vol. 1, no. 2, pp. 14–18, 2023, doi: 10.36308/iris.v1i2.521.
S. Rokhanah, A. Hermawan, and D. Avianto, “Pengaruh Principal Component Analysis Pada Naïve Bayes dan K-Nearest Neighbor Untuk Prediksi Dini Diabetes Melitus Menggunakan Rapidminer,†EVOLUSI J. Sains dan Manaj., vol. 11, no. 1, 2023, doi: 10.31294/evolusi.v11i1.14728.
A. A. D. Halim and S. Anraeni, “Analisis Klasifikasi Dataset Citra Penyakit Pneumonia menggunakan Metode K-Nearest Neighbor (KNN),†Indones. J. Data Sci., vol. 2, no. 1, pp. 01–12, 2021, doi: 10.33096/ijodas.v2i1.23.
K. Kartarina, N. K. Sriwinarti, and N. luh P. Juniarti, “Analisis Metode K-Nearest Neighbors (K-NN) Dan Naive Bayes Dalam Memprediksi Kelulusan Mahasiswa,†JTIM J. Teknol. Inf. dan Multimed., vol. 3, no. 2, pp. 107–113, 2021, doi: 10.35746/jtim.v3i2.159.
F. Putra, H. F. Tahiyat, and R. M. Ihsan, “Application of K-Nearest Neighbor Algorithm Using Wrapper as Preprocessing for Determination of Human Weight Information Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,†vol. 4, no. January, pp. 273–281, 2024.
A. Triwindari, M. Hayati, D. Agroteknologi, F. Pertanian, and U. S. Kuala, “Pengaruh Dosis Pupuk NPK Majemuk terhadap Pertumbuhan Bibit Dua Varietas Jambu Madu ( Syzygium equaeum L .) Asal Cangkokan The Effect of Dosage of Compound NPK Fertilizer on the Growth of Seedlings of Two Honey Guava Varieties ( Syzygium equaeum L .) From Grafts PENDAHULUAN Indonesia sebagai negara tropis , memiliki kondisi yang menguntungkan untuk budidaya beragam varietas tanaman penghasil buah . Syzygium equaeum L . atau yang biasa dikenal dengan jambu merupakan tanaman hortikultura yang banyak dibudidayakan untuk diambil buahnya oleh perorangan . Buah jambu madu termasuk ke dalam jenis jambu air banyak dikonsumsi oleh masyarakat karena rasa manisnya yang enak untuk dimakan langsung maupun dimasukkan ke dalam makanan olahan seperti rujak dan mudah beradaptasi . Jambu madu merupakan buah yang kaya akan berbagai unsur esensial seperti serat , vitamin A , B , C , K , thiamin , riboflavin , fosfor , kalium , folat , kalsium ( Kuswardani , 2022 ). Berdasarkan data Badan Pusat Statistik ( 2021 ), produksi jambu air di Indonesia pada tahun 2021 diperkirakan mencapai sekitar 206 ribu ton per hektar . Hasil pengamatan menunjukkan peningkatan dibandingkan tahun sebelumnya , dengan perkiraan kenaikan sebesar 182 ribu ton ha . Produksi jambu air pada tahun 2017 sekitar 101 ribu ton ha . Pada tahun berikutnya 2018 , produksinya meningkat menjadi sekitar 111 ribu ton ha . Terakhir , pada tahun 2019 , produksi jambu air mencapai kurang lebih 122 ribu ton ha . Peningkatan jumlah produksi setiap tahunnya menunjukan semakin bertambahnya minat masyarakat dalam membudidayakan jambu air . Terdapat keanekaragaman yang mencolok pada berbagai jenis spesies jambu air yang ditemukan di Indonesia . Varietas yang sering dibudidayakan antara lain jambu madu Deli Hijau dan jambu madu Black Kingkong . Jambu madu Deli Hijau berasal dari daerah Sumatera Utara dengan memiliki beberapa ciri khas termasuk rasa manis , tekstur yang renyah , dan kandungan air yang tinggi ( Daulay , 2022 ). Varietas jambu madu Black Kingkong merupakan varietas yang relatif baru dan mulai populer di Indonesia karena memiliki keunggulan seperti ciri khas warna pada buahnya yaitu merah kehitaman , bentuk buah relatif besar dan rasa buah yang manis ( Kementan , 2020 ) Pupuk kimia yang sering digunakan dalam budidaya tanamn adalah pupuk NPK . Tanaman jambu madu membutuhkan pupuk NPK majemuk untuk proses metabolisme tanaman karena unsur hara pada pupuk NPK memiliki manfaat seperti unsur hara nitrogen ( N ) berp…,†vol. 9, pp. 8–17, 2024.
E. Zuwandasari and L. T. Sunaryanto, “Peran Modal Sosial Terhadap Produktivitas Petani Jambu Merah Di Desa Watuagung Kabupaten Semarang,†J. Ilm. Mhs. Agroinfo Galuh, vol. 8, no. 3, p. 691, 2021, doi: 10.25157/jimag.v8i3.5599.
R. A. Suharman and H. Hartono, “Klasifikasi Kematangan Manggis Berdasarkan Fitur Warna dan Tekstur Menggunakan Algoritma Naive Bayes,†PYTHAGORAS J. Pendidik. Mat., vol. 17, no. 2, pp. 377–388, 2022, doi: 10.21831/pythagoras.v17i2.53625.
P. Putri, “Analisis Performa Metode K- Nearest Neighbor (KNN) dan Crossvalidation pada Data Penyakit Cardiovascular,†Indones. J. Data Sci., vol. 2, no. 1, pp. 21–28, 2021, doi: 10.33096/ijodas.v2i1.25.
I. P. Sari, F. Ramadhani, A. Satria, and D. Apdilah, “Implementasi Pengolahan Citra Digital dalam Pengenalan Wajah menggunakan Algoritma PCA dan Viola Jones,†Hello World J. Ilmu Komput., vol. 2, no. 3, pp. 146–157, 2023, doi: 10.56211/helloworld.v2i3.346.
B. Baso, D. Nababan, R. Risald, and R. Y. Kolloh, “Segmentasi Citra Tenun Menggunakan Metode Otsu Thresholding dengan Median Filter,†J. Teknol. Dan Ilmu Komput. Prima, vol. 5, no. 1, pp. 1–6, 2022, doi: 10.34012/jutikomp.v5i1.2586.
D. Nurnaningsih, D. Alamsyah, A. Herdiansah, and A. A. J. Sinlae, “Identifikasi Citra Tanaman Obat Jenis Rimpang dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur,†Build. Informatics, Technol. Sci., vol. 3, no. 3, pp. 171–178, 2021, doi: 10.47065/bits.v3i3.1019.
A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,†J. Pilar Nusa Mandiri, vol. 7, no. 2, p. 217, 2021.
