Publisher

UNSURYAUNSURYA

Journal JSI (Jurnal sistem Informasi) Universitas SuryadarmaJSI (Jurnal sistem Informasi) Universitas Suryadarma Abstract

Penelitian ini mengkaji penerapan algoritma K-Nearest Neighbors (KNN) dalam klasifikasi kendaraan berdasarkan gambar. Tujuan utama penelitian ini adalah untuk membangun model klasifikasi yang dapat membedakan jenis kendaraan, yaitu mobil dan motor, menggunakan gambar sebagai input. Gambar kendaraan diekstraksi menjadi vektor fitur numerik melalui teknik ekstraksi berbasis intensitas piksel. Metodologi yang digunakan meliputi pembagian dataset menjadi data latih dan uji dengan proporsi 70% dan 30%, serta penerapan KNN dengan parameter k=3. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model KNN dapat mengklasifikasikan kendaraan dengan akurasi 100%, dengan nilai precision, recall, dan F1-score yang sempurna untuk kedua kategori kendaraan, mobil dan motor. Penelitian ini menyimpulkan bahwa KNN adalah metode yang efektif dan efisien dalam klasifikasi berbasis citra. Serta dapat diterapkan pada sistem pengenalan objek yang lebih luas, seperti pengawasan lalu lintas dan sistem parkir otomatis.

Conclusion

Penelitian ini menunjukkan bahwa algoritma K-Nearest Neighbors (KNN) mampu mengklasifikasikan kendaraan berdasarkan gambar dengan akurasi 100%.Model KNN memberikan hasil sempurna pada semua metrik evaluasi, termasuk precision, recall, dan F1-score untuk kategori mobil dan motor.Hasil ini membuktikan bahwa KNN efektif dan efisien untuk klasifikasi kendaraan serta dapat diaplikasikan dalam sistem pengenalan kendaraan otomatis seperti pengawasan lalu lintas dan sistem parkir.

Future Research

Pertama, perlu dilakukan penelitian untuk menguji kinerja algoritma KNN dengan dataset yang lebih besar dan beragam, termasuk jenis kendaraan lain seperti truk atau sepeda, guna mengevaluasi kemampuan generalisasi model dalam konteks dunia nyata. Kedua, penting untuk mengeksplorasi penggunaan metrik jarak yang berbeda selain jarak geometris, seperti Manhattan atau Minkowski, dalam algoritma KNN untuk mengetahui pengaruhnya terhadap akurasi klasifikasi pada data citra kendaraan. Ketiga, diperlukan kajian komparatif antara KNN dan algoritma klasifikasi lain seperti SVM atau CNN menggunakan dataset dan kondisi yang sama, untuk memahami kelebihan dan keterbatasan masing-masing metode dalam skenario klasifikasi kendaraan berbasis gambar. Penelitian lanjutan ini dapat membantu menentukan pendekatan terbaik untuk sistem otomatis pengenalan kendaraan. Studi juga sebaiknya mempertimbangkan variasi kondisi lingkungan seperti pencahayaan, cuaca, dan sudut pandang gambar. Dengan memasukkan faktor-faktor ini, sistem dapat dievaluasi secara lebih komprehensif. Eksperimen dengan preprocessing tambahan seperti augmentasi gambar juga perlu dipertimbangkan. Hasil perbandingan dapat menjadi dasar pengembangan sistem yang lebih robust. Penelitian lebih lanjut juga dapat melibatkan integrasi model ke dalam sistem nyata secara real-time. Hal ini akan menguji efisiensi komputasi dan latensi respons model. Secara keseluruhan, langkah-langkah ini akan memperdalam pemahaman tentang aplikasi praktis KNN dalam visi komputer.

References

1. Implementasi Algoritma K-Nearest Neighbor untuk Klasifikasi Jurusan pada Peserta Didik Baru | Widiastuti... doi.org/10.24176/simet.v14i2.10092Implementasi Algoritma K Nearest Neighbor untuk Klasifikasi Jurusan pada Peserta Didik Baru Widiastuti doi 10 24176 simet v14i2 10092
2. PENERAPAN METODE CONTENT BASED FILTERING DALAM IMPLEMENTASI SISTEM REKOMENDASI MUSIK | Jurnal Serina... journal.untar.ac.id/index.php/JSSTK/article/view/31037PENERAPAN METODE CONTENT BASED FILTERING DALAM IMPLEMENTASI SISTEM REKOMENDASI MUSIK Jurnal Serina journal untar ac index php JSSTK article view 31037
3. Implementasi K-Nearest Neighbor Dalam Prediksi Mahasiswa Berhenti Kuliah | JURNAL MEDIA INFORMATIKA BUDIDARMA.... doi.org/10.30865/mib.v5i3.3049Implementasi K Nearest Neighbor Dalam Prediksi Mahasiswa Berhenti Kuliah JURNAL MEDIA INFORMATIKA BUDIDARMA doi 10 30865 mib v5i3 3049
4. Implementasi Algoritma K-Nearest Neighbor Untuk Memprediksi Program Studi Bagi Calon Mahasiswa Baru |... doi.org/10.29408/jit.v4i2.3546Implementasi Algoritma K Nearest Neighbor Untuk Memprediksi Program Studi Bagi Calon Mahasiswa Baru doi 10 29408 jit v4i2 3546

Metadata

File size	447.77 KB
Pages	6
DMCA	Report