PENGGUNAAN PRINCIPAL COMPONENT ANALYSIS (PCA) DAN K-NEAREST NEIGHBORS (KNN) DALAM KLASIFIKASI SAYURAN MENTIMUN, PARE, DAN TERONG

Ahmad Syarif, Agung Ramadhanu

Abstract


Abstract: The classification of vegetable types is an important aspect of the agricultural industry to improve the efficiency of product management, packaging, and distribution. This study aims to implement the Principal Component Analysis (PCA) and K-Nearest Neighbors (KNN) methods in the vegetable classification process, especially for cucumbers, squash, and eggplants. PCA is used to reduce the data dimensions and extract the key significant features that distinguish vegetable categories. Meanwhile, KNN is applied as a classification algorithm based on the proximity of these key features. The research dataset consists of digital images of vegetables extracted into color, texture, and shape attributes. The results show that the combination of PCA and KNN is able to significantly improve the classification accuracy by minimizing computational complexity. Experiments are carried out with various numbers of main components in PCA and variations in kkk parameter values in KNN to determine the optimal configuration. In the best configuration, this method achieves a classification accuracy of 90%, with PCA effectively reducing the data dimension by 95% without losing important information. In conclusion, this approach has great potential to be implemented in vegetable classification automation systems to support efficiency in the agricultural supply chain.

 

Keywords: Vegetables classification, Principal Component Analysis (PCA), K-Nearest

                Neighbors(KNN), cucumber, bitter melon, eggplant.

Abstrak: Klasifikasi jenis sayuran merupakan salah satu aspek penting dalam industri pertanian untuk meningkatkan efisiensi pengelolaan produk, pengemasan, serta distribusi. Penelitian ini bertujuan untuk mengimplementasikan metode Principal Component Analysis (PCA) dan K-Nearest Neighbors (KNN) dalam proses klasifikasi sayuran, khususnya mentimun, pare, dan terong. PCA digunakan untuk mengurangi dimensi data dan mengekstraksi fitur utama yang signifikan dalam membedakan kategori sayuran. Sementara itu, KNN diterapkan sebagai algoritma klasifikasi berdasarkan kedekatan fitur-fitur utama tersebut. Dataset penelitian terdiri atas citra digital sayuran yang diekstraksi menjadi atribut warna, tekstur, dan bentuk. Hasil penelitian menunjukkan bahwa kombinasi PCA dan KNN mampu meningkatkan akurasi klasifikasi secara signifikan dengan meminimalkan kompleksitas komputasi. Eksperimen dilakukan dengan berbagai jumlah komponen utama pada PCA dan variasi nilai parameter kkk pada KNN untuk menentukan konfigurasi optimal. Pada konfigurasi terbaik, metode ini mencapai akurasi klasifikasi sebesar 90%, dengan PCA secara efektif mereduksi dimensi data hingga 95% tanpa kehilangan informasi penting. Kesimpulannya, pendekatan ini memiliki potensi yang besar untuk diimplementasikan dalam sistem otomatisasi klasifikasi sayuran guna mendukung efisiensi dalam rantai pasok agrikultur.

 

Kata kunci: Klasifikasi sayuran, Principal Component Analysis (PCA), K-Nearest Neighbors (KNN),  mentimun, pare, terong.


Full Text:

PDF

References


Permana Putra, I. (2020). Scleroderma spp. in Indonesia : Poisoning Case and Potential Utilization. Justek : Jurnal Sains Dan Teknologi, 3(2), 37. htps://doi.org/10.31764/justek.v3i2.3517

Wardhani, I. P., & Widayati, S. (2019). Segmentasi Warna Citra HSV dan Deteksi Objek Kupu-Kupu Dengan. 3

Novianto, D., & Sugihartono, T. (2020). Sistem Deteksi Kualitas Buah Jambu Air Berdasarkan Warna Kulit Menggunakan Algoritma Principal Component Analysis ( Pca ) dan K-Nearest Neigbor ( K-NN ). 11(2), 42–47.

Widians, J. A., Pakpahan, H. S., Budiman, E., Haviluddin, H., & Soleha, M. (2019). Klasifikasi Jenis Bawang Menggunakan Metode K-Nearest Neighbor Berdasarkan Ekstraksi Fitur Bentuk dan Tekstur. Jurnal Rekayasa Teknologi Informasi (JURTI), 3(2), 139. https://doi.org/10.30872/jurti.v3i2.3213

Hasan, M. A., & Liliana, D. Y. (2020). Pengenalan Motif Songket Palembang Menggunakan Deteksi Tepi Canny, PCA dan KNN. Multinetics, 6(1), 1–7. https://doi.org/10.32722/multinetics.v6i1.27000

F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 273–281, 2024, doi: 10.57152/malcom.v4i1.1085

D. Nurnaningsih, D. Alamsyah, A. Herdiansah, A. Aristo, and J. Sinlae, “Identifikasi Citra Tanaman Obat Jenis Rimpang dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur,” vol. 3, no. 3, pp. 171– 178, 2021, doi: 10.47065/bits.v3i3.1019.

Primandari, P. N., & Hardiansyah, B. (2018). Ekstraksi Fitur Menggunakan Principal Component Analisys (PCA). Seminar Nasional Hasil Penelitian Dan Pengabdian Masyarakat, 1(1), 66–74

Q. A. A’yuniyah and M. Reza, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Di Sma Negeri 15 Pekanbaru,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 1, pp. 39–45, 2023, doi: 10.57152/ijirse.v3i1.484.

“Klasifikasi Jenis Sayuran Menggunakan Algoritma PCA dan KNN | Pemrograman Matlab.” https://pemrogramanmatlab.com/2019/01/01/klasifikasi-jenis-sayuran-menggunakan-algoritma-pca-dan-knn/ accessed Januari, 11 , 2024

Andrean Nugraha, R., Wahyu Hidayat, E., & Nur Shofa, R. (2023). Klasifikasi Jenis Buah Jambu Biji Menggunakan Algoritma Principal Component Analysis dan K-Nearest Neighbor. Generation Journal, 7(1), 1–7. https://doi.org/10.29407/gj.v7i1.17900

Hasym, I. E., & Susilawati, I. (2021). Konvergensi Teknologi dan Sistem Informasi Klasifikasi Jenis Ikan Cupang Menggunakan Algoritma Principal Component Analysis (PCA) Dan K-Nearest Neighbors (KNN). KONSTELASI: Konvergensi Teknologi Dan Sistem Informasi, 168–179.

Nurfitri, K., Pradana, A. D., & Widaningrum, I. (2021). Jurnal Rekayasa Teknologi dan Komputasi PENERAPAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) DAN K-NEAREST NEIGHBORS (KNN) PADA KLASIFIKASI. Jurnal Rekayasa Teknologi Dan Komputasi, 1(1), 1–19




DOI: https://doi.org/10.54314/jssr.v8i1.2751

Article Metrics

Abstract view : 58 times
PDF - 16 times

Copyright (c) 2025 JOURNAL OF SCIENCE AND SOCIAL RESEARCH