PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN KNEAREST NEIGHBORS PADA KEMATANGAN BUAH SAWIT

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. Penelitian ini bertujuan untuk membandingkan model prediksiSupport Vector Machine dengan KNearest Neighbor dalam memprediksi kematangan buah sawit. Dalam penelitian ini, model Support Vector Machine dan K-Nearest Neighbor disajikan dalam dataset dari 40 data Image, yang terdiri dari 35 Image data Uji, dan 34 Image data Latih, Data latih yang digunakan berjumlah 34 data image dengan 2 categorys. Data uji yang digunakan berjumlah 6 data image. Data latih dan data uji akan dilakukan proses mengekstrasi fitur gambar menggunakan Inception-V3. Setelah ekstrasi fitur gambar dilakukan, maka dilaksanakan hitungan metode Support Vector Machine (SVM) dan K-Nearest neighbors (K-NN). Hasil evaluasi menunjukkan bahwa kedua model prediksi kematangan buah sawit memiliki nilai akurasi yang sama. Support Vector Machine (SVM) dan K-Nearest neighbors (K-NN)K-NN yaitu 0.500 dan 0.500. Hal tersebut menunjukkan bahwa kedua metode tersebut sama baiknya. . Penggunaan model Support Vector Machine dan K-Nearest Neighbor digunakan untuk memperoleh hasil yang relavan serta akurat dalam prediksi struktur sekunder. 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.