Perbandingan Metode K-NN, SVM, Decision Tree, dan MLP dalam Klasifikasi Kualitas Sayur Segar dan Sayur Tidak Segar

Daniel Sutopo Pamungkas; Ana Safitri Kania; Vany Nuroh Mawati

doi:10.15575/telka.v12n2.247-262

Authors

Daniel Sutopo Pamungkas Jurusan Teknik Elektro, Politeknik Negeri Batam, Batam, Indonesia
Ana Safitri Kania Jurusan Teknik Elektro, Politeknik Negeri Batam, Batam, Indonesia
Vany Nuroh Mawati Jurusan Teknik Elektro, Politeknik Negeri Batam, Batam, Indonesia

DOI:

https://doi.org/10.15575/telka.v12n2.247-262

Keywords:

Decision Tree, K-Nearest Neighbors (K-NN), Klasifikasi kesegaran sayur, Multi-Layer Perceptron (MLP), Support Vector Machine (SVM)

Abstract

Ketersediaan sayuran dengan kualitas yang tinggi memiliki peran penting dalam mendukung kebutuhan nutrisi yang seimbang. Salah satu upaya untuk menjamin kualitas sayuran tersebut adalah dengan mengidentifikasi karakteristik fisik dan kimiawi dari masing-masing jenis sayuran. Penelitian ini bertujuan untuk mengklasifikasikan kualitas kesegaran sayur dengan menggunakan gambar yang dimasukkan ke dalam folder sebagai dataset. Empat metode klasifikasi, yaitu K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree, dan Multi-Layer Perceptron (MLP) digunakan untuk membangun model klasifikasi. Pengujian dilakukan terhadap tiga jenis sayuran, yaitu bawang merah, brokoli, dan wortel dengan dua kategori: segar dan tidak segar. Hasil penelitian menunjukkan bahwa metode MLP memberikan performa terbaik dengan nilai accuracy 79,17%, precision 83,33%, recall 79,17%, dan F1-score sebesar 77,97%. Sementara itu, metode SVM mencapai accuracy 77,50%, metode K-NN mencapai accuracy 70,83% dan Decision Tree mencapai accuracy 40,83%. Dari hasil tersebut, dapat disimpulkan bahwa metode MLP lebih unggul dalam klasifikasi kualitas sayur dibandingkan dengan metode SVM, K-NN dan Decision Tree. Pengembangan real-time lebih lanjut diusulkan untuk menerapkan sistem deteksi real-time dan uji coba di lingkungan nyata.

Downloads

Download data is not yet available.

References

A. M. Smith and A. L. Collene, Contempory Nutrition. New York, N.Y. : Mc Graw-Hill Education, 2016.

E. Whitney and S. R. Rolfes, Understanding Nutrition. Cengage Learning, 2019.

O. A. Elshehaby, W. M. Shukry, M. Abdallah, A. M. Gabber, and D. A. Galilah, “Morphological Criteria and Carbohydrates Content of Broccoli ( Brassica oleracea L var Italica ) Affected by Different Levels of Sulfur Fertilizers and Waste Water,” pp. 73–78, 2015.

D. M. Hillis, D. E. Sadava, H. C. Heller, and S. D. Hacker, Life : The Science of Biology. Macmillan Learning, 2017.

A. A. B, R. Firdaus, H. Haerudin, and F. Rokhman, Proceedings of the International Symposium Southeast Asia Vegetable 2021 (SEAVEG 2021). Atlantis Press International BV, 2023. doi: 10.2991/978-94-6463-028-2.

Y. Miranti, “Klasifikasi Kesegaran Sayur Sawi Berdasarkan Citra Hsv Menggunakan Metode K-Nearest Neighbor,” 2023.

E. Hartati, “Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 7, no. 3, pp. 678–687, 2020.

E. A. N. Munfaati and A. Witanti, “Klasifikasi Buah dan Sayuran Segar atau Busuk Menggunakan Convolutional Neural Network,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 1, pp. 27–38, 2024, doi: 10.14421/jiska.2024.9.1.27-38.

C. D. González-Carrillo, F. Restrepo-Calle, J. J. Ramírez-Echeverry, and F. A. González, “Automatic grading tool for jupyter notebooks in artificial intelligence courses,” Sustain., vol. 13, no. 21, pp. 1–26, 2021, doi: 10.3390/su132112050.

A. A. Rahmadi and A. Sudaryanto, “Visual Recognition Of Graphical User Interface Components Using Deep Learning Technique,” J. Ilmu Komput. dan Inf., vol. 13, no. 1, pp. 35–45, 2020, doi: 10.21609/jiki.v13i1.845.

A. Hassan and M. Sabha, “Feature Extraction for Image Analysis and Detection using Machine Learning Techniques,” Int. J. Adv. Netw. Appl., vol. 14, no. 04, pp. 5499–5508, 2023, doi: 10.35444/ijana.2023.14401.

A. H. Hoang, C. Lepenik, and M. Stahlhofen, “Two-loop massive quark jet functions in SCET,” J. High Energy Phys., vol. 2019, no. 8, 2019, doi: 10.1007/JHEP08(2019)112.

N. Jain, “A review of data preprocessing techniques for image classification,” Comput. Sci. Rev. Elsevier, 2021.

W. Luo, “Feature normalization techniques in deep learning: A survey,” Inf. Fusion, Elsevier, 2022.

K. P. Murphy, “Machine Learning - A Probabilistic Perspective - Table-of-Contents,” MIT Press, p. 1049, 2012.

C. Cortes and V. Vapnik, “Support-vector networks,” Mach. Learn., 1995, doi: 10.1088/1742-6596/628/1/012073.

J. R. Quinlan, “Induction of decision trees,” Mach. Learn., vol. 1, no. 1, pp. 81–106, 1986, doi: 10.1007/bf00116251.

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning Adaptive Computation and Machine Learning series. MIT Press, 2016.

G. James, D. Witten, T. Hastie, and R. Tibshirani, An Intoduction to Statistical Learning: with Application in R. Springer Science & Business Media, 2013.

J. Z. Bengar, J. Van De Weijer, L. L. Fuentes, and B. Raducanu, “Class-Balanced Active Learning for Image Classification,” Proc. - 2022 IEEE/CVF Winter Conf. Appl. Comput. Vision, WACV 2022, pp. 3707–3716, 2022, doi: 10.1109/WACV51458.2022.00376.

L. Murmann, M. Gharbi, M. Aittala, and F. Durand, “A dataset of multi-illumination images in the wild,” Proc. IEEE Int. Conf. Comput. Vis., vol. 2019-Octob, pp. 4079–4088, 2019, doi: 10.1109/ICCV.2019.00418.

Y. Suryawanshi, K. Patil, and P. Chumchu, “VegNet: Dataset of vegetable quality images for machine learning applications,” Data Br., vol. 45, p. 108657, 2022, doi: 10.1016/j.dib.2022.108657.

Y. Yuan and X. Chen, “Vegetable and fruit freshness detection based on deep features and principal component analysis; Vegetable and fruit freshness detection,” Curr. Res. Food Sci., vol. 8, no. October 2023, p. 100656, 2024, doi: 10.1016/j.crfs.2023.100656.

K. . Ting, Encyclopedia of Machine Learning. Springer, 2011.

C. Sun, A. Shrivastava, S. Singh, and A. Gupta, “Revisiting Unreasonable Effectiveness of Data in Deep Learning Era,” Proc. IEEE Int. Conf. Comput. Vis., vol. 2017-October, pp. 843–852, 2017, doi: 10.1109/ICCV.2017.97.