Evaluasi Robustness K-Nearest Neighbors Dalam Mengklasifikasikan Karakteristik Biji Kopi Timor Melalui Pendekatan Ruang Jarak Berbobot Dan Fitur Glcm

Juhari Ridwan Syahputra

doi:10.55338/jikr.v3i1.15

Authors

Juhari Ridwan Syahputra STMIK Sukma Jaya Author

DOI:

https://doi.org/10.55338/jikr.v3i1.15

Keywords:

K-Tetangga Terdekat, Kekokohan, Biji Kopi Timor, GLCM, Jarak Berbobot, Klasifikasi Gambar

Abstract

Biji kopi Timor memiliki karakteristik visual dan tekstur unik yang menentukan nilai ekonominya. Namun, proses klasifikasi manual sering menyebabkan inkonsistensi karena subjektivitas manusia. Meskipun algoritma K-Nearest Neighbors (K-NN) adalah metode klasifikasi yang populer, kinerjanya sangat sensitif terhadap pilihan metrik jarak. Jarak Euclidean standar sering gagal memperhitungkan dimensi fitur yang berkontribusi secara tidak merata terhadap akurasi klasifikasi. Penelitian ini bertujuan untuk mengevaluasi ketahanan model K-NN dengan menerapkan pendekatan ruang jarak tertimbang untuk meningkatkan akurasi dan konsistensi klasifikasi biji kopi Timor berdasarkan ekstraksi fitur tekstur. Penelitian ini menggunakan gambar biji kopi Timor yang diolah melalui ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM), termasuk parameter seperti kontras, korelasi, energi, dan homogenitas. Evaluasi membandingkan kinerja K-NN menggunakan metrik jarak standar dengan pendekatan jarak tertimbang. Ketahanan model diuji dengan memperkenalkan variasi noise gambar dan nilai-K yang berbeda untuk mengamati stabilitas akurasi yang dihasilkan. Hasilnya diharapkan dapat menunjukkan bahwa pendekatan jarak tertimbang dapat secara efektif menetapkan prioritas yang lebih tinggi untuk fitur GLCM yang paling dominan, sehingga meningkatkan ketahanan model terhadap variasi data. Evaluasi ini diproyeksikan menghasilkan peningkatan akurasi yang signifikan dibandingkan dengan metode K-NN konvensional, terutama dalam kumpulan data dengan kesamaan tekstur tinggi antara kategori biji kopi. Integrasi fitur GLCM dan ruang jarak yang dimodifikasi dalam algoritma K-NN terbukti efektif dalam memperkuat sistem identifikasi karakteristik biji kopi Timor. Temuan ini berkontribusi pada pengembangan sistem jaminan mutu yang lebih objektif dan andal untuk industri kopi di wilayah Timor.

References

[1] E. Randriani and Dani, “Pengenalan Varietas Unggul Kopi,” News.Ge. p. https://news.ge/anakliis-porti-aris-qveynis-momava, 2018.

[2] Hariadi, “Kopi Arabika Varietas Timor / Hibrido De Timor.” 2019.

[3] Widyaningsih and I. I. Tritoasmoro, “Comparison Of Coffee Cherries Ripeness Using Fuzzy Logic And K- Nearest Neighbor Method with Gray Level Co-Occurrence Matrix Feature Extraction.” p. 4060, 2020, doi: https://doi.org/10.34818/eoe.v7i2.13016.

[4] D. Ikhsan, E. Utami, and F. W. Wibowo, “Metode Klasifikasi Mutu Greenbean Kopi Arabika Lanang Dan Biasa Menggunakan K-Nearest Neighbor Berdasarkan Bentuk,” Jurnal Ilmiah SINUS, vol. 18, no. 2. p. 1, 2020, doi: 10.30646/sinus.v18i2.456.

[5] S. R. Raysyah, Veri Arinal, and Dadang Iskandar Mulyana, “Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan Deteksi Warna Menggunakan Metode Knn Dan Pca,” JSiI (Jurnal Sistem Informasi), vol. 8, no. 2. pp. 88–95, 2021, doi: 10.30656/jsii.v8i2.3638.

[6] I. M. A. Swantika, B. Kanata, and I. M. B. Suksmadana, “Perancangan Sistem Untuk Mengetahui Kualitas Biji Kopi Berdasarkan Warna Dengan K-Nearest Neighbor,” Jurnal Bakti Nusa, vol. 1, no. 2. pp. 25–36, 2020.

[7] D. P. Pamungkas, “Ekstraksi Citra menggunakan Metode GLCM dan KNN untuk Identifikasi Jenis Anggrek (Orchidaceae),” Innov. Res. Informatics, vol. 1, no. 2, pp. 51–56, 2019, doi: 10.37058/innovatics.v1i2.872.

[8] H. Herlina Ullu, B. Baso, P. G. Manek, and D. Chrisinta, “Ekstraksi Fitur Berbasis Tekstur Pada Citra Tenun Timor Menggunakan Metode Gray Level Co-occurrence Matrix (GLCM),” Journal of Information and Technology Unimor, vol. 2, no. 2. pp. 70–74, 2022.

[9] L. K. Soh and C. Tsatsoulis, “Texture analysis of sar sea ice imagery using gray level co-occurrence matrices,” IEEE Trans. Geosci. Remote Sens., vol. 37, no. 2 I, pp. 780–795, 1999, doi: 10.1109/36.752194.

[10] E. S. Gadelmawla, “A vision system for surface roughness characterization using the gray level co-occurrence matrix,” NDT and E International, vol. 37, no. 7. pp. 577–588, 2004, doi: 10.1016/j.ndteint.2004.03.004.

[11] Y. Hao et al., “Breast cancer histopathological images classification based on deep semantic features and gray level co-occurrence matrix.” 2022.

[12] N. A. Sinaga, B. H. Hayadi, and Z. Situmorang, “Perbandingan Akurasi Algoritma Naïve Bayes, K-Nn Dan Svm Dalam Memprediksi Penerimaan Pegawai,” Jurnal Teknik Informasi dan Komputer (Tekinkom), vol. 5, no. 1. p. 27, 2022, doi: 10.37600/tekinkom.v5i1.446.

[13] D. Yulianti, I. Triastomoro, and S. Sa’idah, “Identifikasi Pengenalan Wajah Untuk Sistem Presensi Menggunakan Metode Knn (K-Nearest Neighbor),” Jurnal Teknik Informasi dan Komputer (Tekinkom), vol. 5, no. 1. pp. 1–10, 2022, doi: 10.37600/tekinkom.v5i1.477.

[14] D. Sitanggang, Nicholas2, V. Wilson, A. R. A. Sinaga, and A. D. Simanjuntak, “Implementasi Data Mining untuk Memprediksi Penyakit Jantung Menggunakan Metode K-Nearest Neighbor dan Logistic Regression.” pp. 493–501, 2022, doi: 10.37600/tekinkom.v5i1.698.

[15] Y. Liao and V. R. Vemuri, “Use of k-nearest neighbor classifier for intrusion detection,” Computers and Security, vol. 21, no. 5. pp. 439–448, 2002, doi: 10.1016/S0167-4048(02)00514-X.

[16] J. Han, M. Kamber, and J. Pei, “Università degli Studi di Milano Master Degree in Computer Science Information Management course,” Data Mining: Concepts and. Techniques (3rd ed). 2011.

[17] M. S. Hidayatulloh, A. Y. Permana, and W. H. Kristanto, “Pengenalan Wajah dengan Algoritma Support Vector Machine dan Sobel Edge Detection Berbasis Computer Vision dan Caffe Framework,” Jurnal Ilmiah Komputasi, vol. 19, no. 4. 2020, doi: 10.32409/jikstik.19.4.372.

[18] S. Ruuska, W. Hämäläinen, S. Kajava, M. Mughal, P. Matilainen, and J. Mononen, “Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle,” Behavioural Processes, vol. 148. pp. 56–62, 2018, doi: 10.1016/j.beproc.2018.01.004.

[19] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” Jurnal Informatika Upgris, vol. 6, no. 2. 2021, doi: 10.26877/jiu.v6i2.6552.

[20] F. Rahmad, “Performance Comparison of Anti-Spam Technology Using Confusion Matrix Classification.” 2020.