eprintid: 62055
rev_number: 13
eprint_status: archive
userid: 12243
dir: disk0/00/06/20/55
datestamp: 2023-11-03 06:32:14
lastmod: 2023-11-03 06:32:14
status_changed: 2023-11-03 06:32:14
type: thesis
metadata_visibility: show
contact_email: muchti.nurhidaya@uin-suka.ac.id
creators_name: Risna, NIM: 21206052010
title: OPTIMASI METODE K-NEAREST NEIGHBOR (K-NN) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) DALAM MENGKLASIFIKASIKAN KEMATANGAN BUAH SAWIT
ispublished: pub
subjects: TB
divisions: jur_tinf
full_text_status: restricted
keywords: Kelapa Sawit, Ekstraksi Fitur, Klasifikasi, K-Nearest Neighbor, Particle Swarm Optimization
note: Pembimbing: Ir. Maria Ulfah Siregar, S. Kom., MIT., Ph.D.
abstract: Proses optimasi merupakan bagian penting dari berbagai komponen. Optimasi bertujuan untuk menentukan solusi terbaik. Penelitian ini melakukan optimasi metode K-Nearest Neighbor (K-NN) menggunakan metode Particle Swarm Optimization (PSO) untuk mendapatkan nilai k yang optimal. Dataset lokal yang terdiri dari 160 data dengan pembagian  60 data buah mentah, 50 data buah setengah matang, dan 50 data buah matang. Proses awal telah digunakan fitur warna, bentuk, dan tekstur sebagai ekstraksi fitur. Selanjutnya, algoritma K-NN untuk klasifikasi dan di optimasi memakai metode PSO. Pengujian metode K-NN dan K-NNPSO dilakukan dengan dua metode yaitu Cofusion Matric Multi Class sebagai pengujian akurasi dan metode Analisis Kompleksitas Waktu Asimptotik dengan eksperimental dan theoritis sebagai pengujian algoritma. Hasil akurasi K-NN dengan menggunakan nilai k yang otomatis dari python yaitu k = 5 adalah 73% pada jarak Euclidean, 78% jarak Manhattan, 73% jarak Minkowski dan 71% pada jarak Chebyshev. Setelah dilakukan proses optimasi menggunakan PSO sehingga mendapatkan nilai k yang optimal adalah k = 1 akurasi meningkat menjadi 88% jarak Euclidean, 88% jarak Manhattan, 88% jarak Minkowski, dan 80% jarak Chebyshev. Pada pengujian algoritma secara eksperimental K-NN mendapatkan Runtime 0.48 detik sedangkan K-NNPSO hanya 0.34 detik pada saat keduanya mencari nilai k optimal. secara theoritis dapat digambarkan dengan notasi Big-O pada K-NN adalah O(n) sedangkan K-NNPSO adalah O(n2), hal ini membuktikan bahwa K-NNPSO lebih cepat karena iterasi yang dijalankan lebih sedikit saat mencari nilai k optimal.
date: 2023-08-24
date_type: published
pages: 94
institution: UIN SUNAN KALIJAGA YOGYAKARTA
department: FAKULTAS SAINS DAN TEKNOLOGI
thesis_type: skripsi
thesis_name: other
citation:   Risna, NIM: 21206052010  (2023) OPTIMASI METODE K-NEAREST NEIGHBOR (K-NN) MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) DALAM MENGKLASIFIKASIKAN KEMATANGAN BUAH SAWIT.  Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.   
document_url: https://digilib.uin-suka.ac.id/id/eprint/62055/2/21206052010_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf
document_url: https://digilib.uin-suka.ac.id/id/eprint/62055/11/21206052010_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf