Perbandingan Metrik Euclidean dan Metrik Manhattan untuk K-Nearest Neighbors dalam Klasifikasi Kismis

Abstrak

Pada konfrensi negara-negara penghasil kismis tanpa biji ke-63, Negara Turki dinobatkan sebagai pemimpin dunia dalam produksi dan ekspor kismis musim 2022/2023. Dalam menghasilkan kismis yang berkualitas sangat bergantung pada varietas anggur dan proses pengolahannya seperti pengeringan, grading, dll. Pada beberapa tempat, penyortiran kismis masih dilakukan secara manual berdasarkan indeks mutu. Namun, proses penyortiran dengan manual memiliki beberapa kelemahan seperti membutuhkan biaya yang besar dan pemilihan kismis oleh manusia cenderung tidak konsisten serta kurang efisien. Untuk mengatasi masalah tersebut maka dilakukan penelitian untuk mengembangkan metode alternatif dalam mengidentifikasi jenis kismis. K-Nearest Neighbors (KNN) merupakan algoritma machine learning nonparametrik yang dapat menyelesaikan masalah klasifikasi atau regresi. Metode KNN memprediksi kategori dengan memanfaatkan hubungan jarak antartetangga terdekat. Dalam analisis data, mengetahui jarak antartetangga terdekat dapat dihitung menggunakan dua metrik utama seperti jarak Manhattan dan jarak Euclidean. Studi kali ini akan mengembangkan metode KNN dalam mendeteksi jenis kismis Besni dan Kecimen. Setiap pelatihan dan pengujian menggunakan parameter k yang berbeda, yaitu 3, 5, 7, dan 9. Hasil penelitian diperoleh KNN pada metrik Euclidean menunjukkan nilai akurasi, presisi, sensitivitas, dan spesifisitas untuk setiap k hampir tidak memiliki perbedaan yang signifikan. Akurasi tertinggi sebesar 0,850 ketika k=7 dan k=9. Sedangkan KNN pada metrik Manhattan menunjukkan Akurasi tertinggi sebesar 0,867 ketika k=5 dan k=7. Algoritma KNN dengan metrik Manhattan dan metrik Euclidean, keduanya memberikan akurasi yang kuat dalam mengklasifikasikan data. Berdasarkan hasil uji kedua algoritma maka KNN pada metrik Manhattan lebih baik dibandingkan KNN pada metrik Euclidean.