PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBORS PADA KEMATANGAN BUAH SAWIT

  • Syawaluddin Kadafi Parinduri Universitas Potensi Utama http://orcid.org/0000-0001-9852-5881
  • Rika Rosnelly Universitas Potensi Utama
  • Anton Purnama Universitas Potensi Utama
  • Ameliana Sihotang Universitas Potensi Utama
  • Mimi Chintya Adelina Universitas Potensi Utama
DOI: https://doi.org/10.32699/device.v13i2.5400
Keywords:
Support Vector Machine (SVM), K-Nearest Neighbor (KNN), buah sawit, Orang data mining

Abstract

Berdasarkan pengamatan dan hasi dari observasi, buah kelapa sawit memiliki suatu warna buah yang hampir sama yaitu berwarna hitam pekat atau hitam agak kekuning-kuningan saat mentah, dan berwarna merah tua saat matang. Sangat sulit untuk membedakan buah kelapa sawit yang matang dan mentah. Tandan buah kelapasawit memiliki jumlah  buah yang banyak, dalam satu tandan diperkirakan beratnya mencapai kurang lebih 20 sampai 30 Kilogram. Untuk dapat mengetahui kematangan buah sawit tersebut, dibutuhkan  suatu  sistem untuk melakukan klasifikasi kematangan buah secara otomatis. Metode Support Vector Machine (SVM) dan K-Nearest neighbors (K-NN) dapat digunakan untuk klasifikasi buah kelapa sawit yang matang dan mentah. Kedua Metode ini akan digunakan untuk melihat  kelebihan akurasi tertinggi. Sehingga Kedua metode ini, akan dibandingkan. dan bekerja baik dangan ruang dimensi yang tinggi dengan menggunakan bantuan aplikasi Orange data mining. Hasil yang diperoleh pada metode Support Vector Machine (SVM) skenario satu,  mendapatkan nilai akurasi yang sangat baik, yaitu 100%. Pada skenario dua, dengan menggunakan  metode K-Nearest neighbors (K-NN) mendapatkan nilai akurasi yang sangat baik juga sebesar 100%.. Hal ini membuktikan bahwa kedua metode tersebut dapat digunakan untuk mengklasifikasikan kematangan buah kelapa sawit dengan hasil yang sangat baik.

Downloads

Download data is not yet available.

References

Achmad, N. D., Soleh, A. M., & Rizki, A. (2022). Perbandingan Pengklasifikasian Metode Support Vector Machine dan Random Forest (Kasus Perusahaan Kebun Kelapa Sawit). Xplore: Journal of Statistics, 11(2), 147–156. https://doi.org/10.29244/xplore.v11i2.919
Hidayatullah, A. F., Aulia, A., Yusuf, F., Juwairi, K. P., Abida, R., & Nayoan, N. (2019). Identifikasi Konten Kasar pada Tweet Bahasa Indonesia. In JLK (Vol. 2, Issue 1). https://t.co/YQCC0CM4gG
Ichsan, N., Fatah, H., Wahyuni, T., & Ermawati, E. (2022). IMPLEMENTASI ORANGE DATA MINING UNTUK PREDIKSI HARGA BITCOIN. JURNAL RESPONSIF, 4(2), 118–125. https://investing.com/crypto/bitcoin/historical-
Krisandi, N., Helmi, B., & Prihandono, I. (2013). ALGORITMA k-NEAREST NEIGHBOR DALAM KLASIFIKASI DATA HASIL PRODUKSI KELAPA SAWIT PADA PT. MINAMAS KECAMATAN PARINDU (Vol. 02, Issue 1).
Monika Parapat, I., & Tanzil Furqon, M. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak (Vol. 2, Issue 10). http://j-ptiik.ub.ac.id
Raysyah, S., Arinal, V., & Mulyana, D. I. (2021). KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN DETEKSI WARNA MENGGUNAKAN METODE KNN DAN PCA. Sistem Informasi |, 8(2), 88–95.
Published
2023-11-29
How to Cite
ParinduriS., RosnellyR., PurnamaA., SihotangA., & AdelinaM. C. (2023, November 29). PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBORS PADA KEMATANGAN BUAH SAWIT. Device, 13(2), 147-155. https://doi.org/https://doi.org/10.32699/device.v13i2.5400
Issue
Vol 13 No 2 (2023): November
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

STATISTICS

Abstract viewed = 245 times
PDF downloaded = 175 times

Most read articles by the same author(s)