Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JTIK (Jurnal Teknik Informatika Kaputama)
Mainia Mayasari
Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
KOMPARASI KLASIFIKASI JENIS TANAMAN RIMPANG MENGGUNAKAN PRINCIPAL COMPONENT ANALIYSIS, SUPPORT VECTOR MACHINE, K-NEAREST NEIGHBOR DAN DECISION TREE Mainia Mayasari; Dadang Iskandar Mulyana; Mesra Betty Yel
JTIK (Jurnal Teknik Informatika Kaputama) Vol 6, No 2 (2022): Volume 6, Nomor 2 Juli 2022
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemanfaatan tanaman rimpang ini merupakan alternatif lain bagi banyak orang dalam mencari obat berbahan herbal saat pandemi Covid-19. Beberapa masyarakat yang terbiasa berinteraksi dengan rimpang akan mudah dalam membedakan rimpang tersebut. Akan tetapi, masyarakat awam sering keliru saat membedakan rimpang tersebut dikarenakan memiliki kemiripan bentuk. Metodologi penelitian yang digunakan dalam penelitian ini menggunakan Principal Component Analysis (PCA), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree yang bertujuan untuk mengklasifikasikan citra tanaman rimpang atau rhizoma yaitu jahe, kencur, kunci, kunyit, dan laos. Hasil pengujian multi kelas yang dilakukan dengan menggunakan metode Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree. Dapat diketahui hasil akurasi dari klasifikasi multi kelas yang diperoleh adalah 98,2% pada SVM (Linear SVM), 90,02% pada KNN dan 87,3% pada Decision Tree. Metode Support Vector Machine (SVM) adalah metode terbaik untuk melakukan klasifikasi jenis tanaman rimpang dikarenakan memiliki tingkat akurasi lebih baik dibanding 2 metode lainnya yang digunakan yaitu K-Nearest Neighbor (K-NN) dan Decision Tree
KOMPARASI KLASIFIKASI JENIS TANAMAN RIMPANG MENGGUNAKAN PRINCIPAL COMPONENT ANALIYSIS, SUPPORT VECTOR MACHINE, K-NEAREST NEIGHBOR DAN DECISION TREE Mainia Mayasari; Dadang Iskandar Mulyana; Mesra Betty Yel
JTIK (Jurnal Teknik Informatika Kaputama) Vol. 6 No. 2 (2022): Volume 6, Nomor 2, Juli 2022
Publisher : STMIK KAPUTAMA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59697/jtik.v6i2.243

Abstract

Pemanfaatan tanaman rimpang ini merupakan alternatif lain bagi banyak orang dalam mencari obat berbahan herbal saat pandemi Covid-19. Beberapa masyarakat yang terbiasa berinteraksi dengan rimpang akan mudah dalam membedakan rimpang tersebut. Akan tetapi, masyarakat awam sering keliru saat membedakan rimpang tersebut dikarenakan memiliki kemiripan bentuk. Metodologi penelitian yang digunakan dalam penelitian ini menggunakan Principal Component Analysis (PCA), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree yang bertujuan untuk mengklasifikasikan citra tanaman rimpang atau rhizoma yaitu jahe, kencur, kunci, kunyit, dan laos. Hasil pengujian multi kelas yang dilakukan dengan menggunakan metode Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree. Dapat diketahui hasil akurasi dari klasifikasi multi kelas yang diperoleh adalah 98,2% pada SVM (Linear SVM), 90,02% pada KNN dan 87,3% pada Decision Tree. Metode Support Vector Machine (SVM) adalah metode terbaik untuk melakukan klasifikasi jenis tanaman rimpang dikarenakan memiliki tingkat akurasi lebih baik dibanding 2 metode lainnya yang digunakan yaitu K-Nearest Neighbor (K-NN) dan Decision Tree
Co-Authors Betty Yel, Mesra Dadang Iskandar Mulyana`