Komparasi Metrik Eulidean, Metrik Manhattan, dan Metrik Chebyshev pada K-Nearest Neighbor dalam Klasifikasi Jenis Kurma

Abstract

Pemilahan dan pemeriksaan buah kurma merupakan proses yang menantang dan krusial dalam sektor pertanian maupun industri pangan karena membutuhkan tenaga kerja yang terampil dan berpengalaman. Namun, tantangan ini dapat diatasi dengan mengadaptasi algoritma machine learning yang mampu memilah secara otomatis buah kurma berdasarkan karakteristiknya. Sebagai salah satu algoritma machine learning nonparametrik, k-nearest neighbors (KNN) telah banyak digunakan dalam penelitian di berbagai bidang. Pada prinsipnya klasifikasi KNN beroperasi berdasarkan premis bahwa sampel yang berdekatan dalam ruang fitur cenderung termasuk dalam kategori yang sama. Kunci penting untuk klasifikasi KNN yang efektif terletak pada pemilihan nilai  dan menentukan metrik yang tepat. Penelitian ini akan menggunakan metode KNN dengan metrik jarak berbeda seperti metrik Eulidean, metrik Manhattan, dan metrik Chebyshev untuk setiap  = 3, 5, dan 7. Tujuan penelitian ini dapat menjadi bahan kajian dalam perancangan dan pembuatan alat dengan melibatkan sistem cerdas untuk membedakan jenis buah kurma. Penelitian ini menghasilkan temuan metrik jarak Euclidean dengan  menghasilkan akurasi tertinggi diantara model KNN lainnya, yaitu akurasi 87%. Model ini cukup baik dalam membedakan jenis kurma berdasarkan karakteristik morfologi, warna, dan bentuk buahnya. Penelitian ini diharapkan dapat memberikan kontribusi untuk mengembangkan sistem cerdas untuk menilai dan memeriksa jenis buah kurma.