KOMBINASI K-NEAREST NEIGHBOR MENGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI PENYAKIT PADA DAUN KOPI
Penelitian ini mengkombinasi algoritma K-Nearest Neighbor (KNN) dengan Particle Swarm Optimization (PSO) dalam klasifikasi citra daun kopi. Metode KNN telah digunakan secara luas dalam pengenalan pola dan analisis data citra berdasarkan tetangga terdekat, tetapi memiliki kekurangan dalam penentuan nilai k tetangga terdekat yang optimal dan pemilihan atribut terbaik. Oleh karena itu, dalam penelitian ini, algoritma KNN dan PSO digabungkan untuk mengoptimalkan hasil KNN. Penelitian ini menggunakan dataset citra daun kopi yang terdiri dari 1560 citra daun kopi yang diambil dari lahan pertanian di wilayah studi CIIDEA, Calceta, Manabí, Ekuador. Dataset ini mencakup citra sisi atas dan belakang daun kopi yang menunjukkan kondisi yang sakit dan sehat. Metode penelitian yang digunakan meliputi identifikasi masalah, studi pustaka, pengumpulan data, preprocessing gambar, ekstraksi fitur, klasifikasi dengan KNN dan PSO, serta evaluasi menggunakan Confusion Matrix .
Hasil percobaan menunjukkan bahwa nilai k terbaik pada KNN dan KNN-PSO adalah 85, dengan akurasi sebesar 87,5%. Komputasi yang dibutuhkan pada kombinasi KNN-PSO lebih cepat dibandingkan hanya menggunakan KNN. Selain itu, evaluasi juga menunjukkan tingkat presisi yang memadai, yaitu 79,3% untuk klasifikasi daun sehat dan 94,2% untuk klasifikasi daun sakit. Model juga memiliki tingkat recall yang tinggi, yaitu 95,6% untuk klasifikasi daun sehat dan 74,4% untuk klasifikasi daun sakit. Berdasarkan hasil di atas, dapat disimpulkan bahwa penggunaan PSO sebagai metode kombinasi dengan KNN berhasil mengoptimasi pencarian nilai k dan meningkatkan kinerja komputasi dari KNN.
URI
https://repo.itera.ac.id/depan/submission/SB2308040048
Keyword