<![CDATA[Kismis merupakan salah satu produk pertanian yang memiliki nilai ekonomis tinggi, sehingga klasifikasi kualitasnya menjadi aspek penting dalam proses seleksi dan distribusi. Penelitian ini bertujuan untuk membandingkan kinerja metode Decision Tree CART dan K-Nearest Neighbors (KNN) dalam mengklasifikasikan jenis kismis pada raisin dataset yang terdiri dari 900 data dengan dua kelas yaitu, besni dan kecimen. Dataset memiliki tujuh fitur morfologi, meliputi area, major axis length, minor axis length, eccentricity, convex area, extent, dan perimeter. Tahap preprocessing mencakup penanganan outlier menggunakan metode capping IQR, encoding label, standarisasi fitur dengan StandardScaler, serta pembagian data latih dan uji dengan rasio 80:20. Hasil evaluasi menunjukkan bahwa metode KKN dengan nilai k optimal sebesar 16 menghasilkan akurasi 88,33%, presisi 84,16%, recall 94,44%, dan FI-Score 89,01%. Sementara itu, Decision Tree CART memperoleh akurasi 84,44%, presisi 80,39%, recall 91,11%, dan F1-Score 85,42%. Berdasarkan perbandingan keempat metrik evaluasi tersebut, KNN terbukti unggul dibandingkan Decision Tree CART dalam mengklasifikasikan kualitas kismis pada dataset ini. KKN direkomendasikan sebagai metode yang lebih sesuai untuk klasifikasi kismis dengan karakteristik dataset serupa. Raisins are one of the high-value agricultural products, making quality classification a critical aspect of their selection and distribution process. This study aims to compare the performance of the Decision Tree CART and K-Nearest Neighbors (KKN) methods in classifying raisin varieties using the raisin dataset, which consists of 900 instances with two classes: besni and kecimen. The dataset includes seven morphological features: area, major axis length, minor axis length, eccentricity, convex area, extent, and perimeter. Preprocessing steps included outlier handling using IQR capping, label encoding, feature standardization with StandardScaler, and an 80:20 train-test split. Evaluation results show that KNN with an optimal K value of 16 achieved an accuracy of 88,33%, precision of 84,16%, recall of 94,44%, and F1-Score of 89,01%. Decision Tree CART obtained an accuracy of 84,44%, precision of 80,39%, recall of 91,11%, and F1-Score of 85,42%. Based on all four evaluation metrics, KNN outperformed Decision Tree CART in classifying raisin quality on this dataset. KKN is therefore recommended as the more suitable method for raisin classification tasks with similar dataset characteristics.]]>
