Implementasi Metode K-Nearest Neighbor Sebagai Sistem Pendeteksi Kualitas Ikan Bandeng
Abstract
Ikan bandeng (Chanos Chanos) merupakan salah satu ikan konsumsi yang hidup tersebar didaerah tropik Indo Pasifik, Ikan bandeng juga telah menjadi komoditas yang memiliki tingkat konsumsi yang tinggi terutama di daerah desa Bendungan kecamatan Duduksampean kabupaten Gresik, Semakin tingginya minat terhadap ikan bandeng, sehingga kualitas ikan bandeng menjadi sangat penting. Salah satu parameter dari kualitas ikan bandeng adalah kesegaran ikan. Ikan bandeng pada umumnya mudah mengalami penurunan kualitas, bila kesegaran ikan menurun, penurunan kesegaran tersebut berpotensi menjadi basi, Beberapa metode yang digunakan masyarakat untuk mengidentifikasi kesegaran dari ikan bandeng masih secara manual, Kekurangan dari metode di atas yaitu tidak semua pendapat dari masyarakat sama dalam hal menilai kualitas bandeng yang masih segar, sehingga kebasian pada ikan bandeng berbeda – beda dan kurang valid. Munculnya permasalahan di atas maka perlu dikembangkan suatu metode untuk identifikasi kualitas dari ikan bandeng agar lebih valid. Oleh karena itu pada penelitian ini diusulkan deteksi kesegaran ikan bandeng menggunakan Image Processing dan menggunakan metode K- Nearest Neighbor ( KNN ) untuk mengetahui kesegaran ikan bandeng, Pada penelitian ini meenggunakan total 195 data diantara lainnya 150 data training dan 45 data testing. Dari penelitian ini memiliki nilai akurasi yang tertinggi pada parameter nilai K1 dengan hasil akurasi 84,44%.
References
Vatria, B, Pengolahan Ikan Bandeng (Chanos-Chanos ) Tanpa Duri. Jurnal Ilmu Pengetahuan dan Rekayasa, 2010.
Indrabayu, I., Niswar, M., & Aman, A. A., Sistem Pendeteksi Kesegaran Ikan Bandeng Menggunakan Citra. Jurnal Infotel, 8(2), 170-179, 2016.
Sandi, G. D. K., Syauqy, D., & Maulana, R. (2019). Sistem Pendeteksi Kesegaran Ikan Bandeng Berdasarkan Bau Dan Warna Daging Berbasis Sensor MQ135 Dan TCS3200 Dengan Metode Naive Bayes. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(10), 10110-10117.
Lestari, D. S., & Simung, O. H. (2023). Aplikasi Penentuan Kesegaran Ikan Bandeng Menggunakan Metode Convolution Neural Network. Insect (Informatics and Security): Jurnal Teknik Informatika, 8(2), 77-86.
HASANAH, F, Pengembangan Label Pintar Berbasis Indikator Ph Untuk Monitoring Kesegaran Ikan Bandeng Dalam Kemasan, Universitas Jember, 2019.
Santoso, I. (2022). Aplikasi Identifikasi Kesegaran Ikan Bandeng Menggunakan Convolutional Neural Network (CNN) (Doctoral dissertation, Universitas Bhayangkara Surabaya).
Saputra, S., Yudhana, A., & Umar, R., Identifikasi Kesegaran Ikan Menggunakan Algoritma KNN Berbasis Citra Digital. Krea-TIF: Jurnal Teknik Informatika, 10(1), 1-9, 2022.
Wu, X., Kumar, V., Ross Quinlan, J., Ghosh, J., Yang, Q., Motoda, H., ... & Steinberg, D. (2008). Top 10 algorithms in data mining. Knowledge and information systems, 14, 1-37.
Utari, C. T., Implementasi Algoritma Run Length Encoding Untuk Perancanganaplikasi Kompresi Dan Dekompresi File Citra, Jurnal TIMES, 5(2), 24-31, 2016.
Wang, Y., Pan, Z., & Dong, J. (2022). A new two-layer nearest neighbor selection method for kNN classifier. Knowledge-Based Systems, 235, 107604.
Ulum, S., Alifa, R. F., Rizkika, P., & Rozikin, C. (2023). Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum. Generation Journal, 7(2), 141-146.
Shokrzade, A., Ramezani, M., Tab, F. A., & Mohammad, M. A. (2021). A novel extreme learning machine based kNN classification method for dealing with big data. Expert Systems with Applications, 183, 115293.
Xia, W., Mita, Y., & Shibata, T. (2015). A nearest neighbor classifier employing critical boundary vectors for efficient on-chip template reduction. IEEE Transactions on Neural Networks and Learning Systems, 27(5), 1094-1107.
Pan, Y., Pan, Z., Wang, Y., & Wang, W. (2020). A new fast search algorithm for exact k-nearest neighbors based on optimal triangle-inequality-based check strategy. Knowledge-Based Systems, 189, 105088.
Prabowo, D. A., & Abdullah, D., Deteksi dan perhitungan objek berdasarkan warna menggunakan Color Object Tracking. Pseudocode, 5(2), 85-91, 2018.
Remaldhi, D., Wahiddin, D., & Cahyana, Y., Identifikasi Kesegaran Ikan Nila Berdasarkan Warna Insang Menggunakan Algoritma K-Nearest Neighbor (K-NN). Scientific Student Journal for Information, Technology and Science, 2(2), 197-202, 2021.
Susilo, P. H., & Rohman, M. G. (2021). Optimasi Google Classroom Sebagai Inovasi Pembelajaran Online Di Masa Pandemi Covid-19. Generation Journal, 5(2), 119-124.
Arifuddin, M. R., Rafiq, I. A., Mubarok, R., & Susilo, P. H. (2023). Sistem Cerdas Penilaian Ujian Essay Menggunakan Metode Cosine Similarity. Generation Journal, 7(1), 31-38.
Copyright (c) 2024 Mohammad Jadid, Ahmad Sabil Adani, Purnomo Hadi Susilo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
1. Copyright on any article is retained by the author(s).
2. The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
3. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
4. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
