Ringkasan Performa Model
Evaluasi akhir KNN dengan K=1 pada data uji 60 sampel
58 dari 60 data uji diklasifikasikan dengan benar
Rata-rata tertimbang ketepatan prediksi per kelas
Rata-rata tertimbang sensitivitas model per kelas
Harmonic mean dari precision dan recall
Konfigurasi Model Final
Informasi Dataset
300 data latih dan 60 data uji — 4 kelas kematangan buah pinang
Distribusi Dataset
Deskripsi Kelas
Buah pinang muda berwarna hijau, belum mencapai kematangan optimal
Buah pinang setengah matang berwarna kuning-oranye, transisi kematangan
Buah pinang tua berwarna oranye-merah, siap untuk dipanen
Buah pinang kering berwarna coklat tua, sudah melewati masa panen
Optimasi Nilai K
Pengujian nilai K ganjil 1, 3, 5, 7, 9 — semua menghasilkan akurasi konsisten 96.67%
K=1 terpilih karena menghasilkan akurasi tertinggi (96.67%) pada data uji. Pengujian dilakukan pada K ganjil 1, 3, 5, 7, dan 9.
Akurasi per K (K ganjil 1–9)
5-Fold Cross Validation
Validasi generalisasi model dengan 5-fold CV pada nilai K ganjil
Rata-rata akurasi 5-fold CV pada nilai K optimal = 5, menunjukkan model generalisasi yang baik.
Detail CV per K
Nilai K ditampilkan: ganjil 1, 3, 5, 7, 9 sesuai grafik CV.
Confusion Matrix
Matriks konfusi dan metrik evaluasi per kelas pada data uji
Matriks Konfusi (K=5)
| Aktual ↓ / Pred → | MUDA | SEDANG | TUA | KERING |
|---|---|---|---|---|
| MUDA | 15 | 0 | 0 | 0 |
| SEDANG | 0 | 13 | 2 | 0 |
| TUA | 0 | 0 | 15 | 0 |
| KERING | 0 | 0 | 0 | 15 |
Metrik per Kelas
Hasil Prediksi Data Uji
Detail hasil klasifikasi 60 sampel data uji oleh model KNN
Akurasi per Kelas
Detail Hasil Prediksi
60 data
| # | Label Asli | Label Prediksi | Status |
|---|---|---|---|
| 1 | MUDA | MUDA | ✓ Benar |
| 2 | MUDA | MUDA | ✓ Benar |
| 3 | MUDA | MUDA | ✓ Benar |
| 4 | MUDA | MUDA | ✓ Benar |
| 5 | MUDA | MUDA | ✓ Benar |
| 6 | MUDA | MUDA | ✓ Benar |
| 7 | MUDA | MUDA | ✓ Benar |
| 8 | MUDA | MUDA | ✓ Benar |
| 9 | MUDA | MUDA | ✓ Benar |
| 10 | MUDA | MUDA | ✓ Benar |
| 11 | MUDA | MUDA | ✓ Benar |
| 12 | MUDA | MUDA | ✓ Benar |
| 13 | MUDA | MUDA | ✓ Benar |
| 14 | MUDA | MUDA | ✓ Benar |
| 15 | MUDA | MUDA | ✓ Benar |
| 16 | SEDANG | SEDANG | ✓ Benar |
| 17 | SEDANG | TUA | ✗ Salah |
| 18 | SEDANG | SEDANG | ✓ Benar |
| 19 | SEDANG | TUA | ✗ Salah |
| 20 | SEDANG | SEDANG | ✓ Benar |
Contoh Prediksi pada Citra
Visualisasi 8 sampel data uji beserta label asli dan hasil prediksi
Ringkasan 8 Sampel
Analisis Kesalahan
Satu sampel kelas SEDANG diklasifikasikan sebagai TUA. Hal ini dikarenakan kesamaan visual warna kuning-oranye antara kematangan SEDANG tahap akhir dan TUA tahap awal.
Kelas dalam Sampel
Analisis Ablasi Fitur
Perbandingan kontribusi fitur warna (RGB+HSV), tekstur (GLCM), dan gabungan
Hasil Ablasi Fitur
Warna saja (RGB+HSV)
12 fitur
Tekstur saja (GLCM)
5 fitur
Gabungan (Warna + GLCM)
17 fitur
Temuan Utama
Fitur warna (RGB+HSV) memberikan akurasi tertinggi (98.33%), menunjukkan bahwa informasi warna adalah pembeda utama tingkat kematangan buah pinang. Fitur tekstur GLCM saja hanya menghasilkan 71.67%.
Perbandingan Metrik Jarak
Analisis pengaruh pilihan fungsi jarak terhadap akurasi KNN
Perbandingan Metrik Jarak
| Metrik | Akurasi | F1-Score |
|---|---|---|
EuclideanDigunakan | 96.67% | 96.65% |
Manhattan | 96.67% | 96.65% |
Minkowski | 96.67% | 96.65% |
Chebyshev | 96.67% | 96.65% |
Kesimpulan
Semua metrik jarak menghasilkan akurasi yang identik (96.67%), menunjukkan bahwa fitur yang diekstraksi memiliki distribusi yang baik dan tidak sensitif terhadap pilihan fungsi jarak. Euclidean dipilih sebagai default.
Formula Metrik Jarak
Euclidean: √Σ(xᵢ - yᵢ)²
Manhattan: Σ|xᵢ - yᵢ|
Minkowski: (Σ|xᵢ - yᵢ|ᵖ)^(1/p)
Chebyshev: max|xᵢ - yᵢ|
Citra Salah Klasifikasi
Analisis 2 citra yang diklasifikasikan salah oleh model
Dari 60 data uji, hanya 2 sampel yang tidak berhasil diklasifikasikan dengan benar (tingkat kesalahan 3.33%).
Detail Kesalahan
Terjadi sebanyak 2 kali pada data uji
Penyebab:
- Transisi warna SEDANG→TUA sangat gradual
- Fitur warna oranye dominan di kedua kelas
- Batas keputusan KNN pada area ambigus
Model berhasil mengklasifikasikan 58 dari 60 sampel uji dengan benar, mencapai akurasi 96.67%.
Dataset Fitur
300 data latih (75/kelas) + 60 data uji — 17 fitur per sampel (RGB, HSV, GLCM)
Fitur Latih (kolom dipilih)
300 sampel
| # | R Mean | G Mean | B Mean | H Mean | S Mean | V Mean | Contrast | Homogeneity | Energy | Correlation | Kelas |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 214.711 | 216.595 | 204.521 | 10.284 | 32.072 | 216.855 | 186.615 | 0.745 | 0.674 | 0.981 | MUDA |
| 2 | 232.135 | 233.465 | 222.163 | 7.736 | 22.699 | 234.170 | 158.192 | 0.783 | 0.757 | 0.970 | MUDA |
| 3 | 217.563 | 224.972 | 201.012 | 12.261 | 47.375 | 225.015 | 159.805 | 0.744 | 0.681 | 0.981 | MUDA |
| 4 | 223.607 | 225.421 | 210.010 | 9.636 | 31.199 | 225.979 | 127.087 | 0.744 | 0.690 | 0.982 | MUDA |
| 5 | 234.163 | 237.134 | 227.055 | 7.571 | 20.830 | 237.280 | 111.040 | 0.817 | 0.792 | 0.978 | MUDA |
| 6 | 221.352 | 227.679 | 217.516 | 12.083 | 22.132 | 227.742 | 106.405 | 0.774 | 0.727 | 0.986 | MUDA |
| 7 | 218.998 | 223.647 | 210.501 | 11.329 | 30.203 | 223.939 | 146.690 | 0.765 | 0.706 | 0.982 | MUDA |
| 8 | 222.690 | 225.452 | 217.779 | 9.838 | 21.036 | 225.851 | 95.983 | 0.783 | 0.732 | 0.988 | MUDA |
| 9 | 220.401 | 221.582 | 211.063 | 9.339 | 26.308 | 222.044 | 116.031 | 0.753 | 0.696 | 0.986 | MUDA |
| 10 | 219.934 | 223.861 | 204.655 | 11.867 | 36.593 | 224.106 | 105.543 | 0.716 | 0.660 | 0.986 | MUDA |
| 11 | 224.646 | 227.897 | 217.245 | 9.757 | 24.063 | 228.214 | 139.624 | 0.767 | 0.737 | 0.981 | MUDA |
| 12 | 232.181 | 234.300 | 223.739 | 7.657 | 23.163 | 234.565 | 121.633 | 0.785 | 0.772 | 0.979 | MUDA |
| 13 | 213.509 | 217.052 | 207.193 | 12.374 | 27.259 | 217.572 | 110.077 | 0.734 | 0.667 | 0.989 | MUDA |
| 14 | 219.727 | 224.781 | 213.461 | 12.807 | 24.947 | 224.945 | 137.048 | 0.748 | 0.693 | 0.983 | MUDA |
| 15 | 225.201 | 230.839 | 223.920 | 11.161 | 16.802 | 230.861 | 160.208 | 0.813 | 0.767 | 0.977 | MUDA |