<![CDATA[Biji kopi Timor memiliki karakteristik visual dan tekstur unik yang menentukan nilai ekonominya. Namun, proses klasifikasi manual sering menyebabkan inkonsistensi karena subjektivitas manusia. Meskipun algoritma K-Nearest Neighbors (K-NN) adalah metode klasifikasi yang populer, kinerjanya sangat sensitif terhadap pilihan metrik jarak. Jarak Euclidean standar sering gagal memperhitungkan dimensi fitur yang berkontribusi secara tidak merata terhadap akurasi klasifikasi. Penelitian ini bertujuan untuk mengevaluasi ketahanan model K-NN dengan menerapkan pendekatan ruang jarak tertimbang untuk meningkatkan akurasi dan konsistensi klasifikasi biji kopi Timor berdasarkan ekstraksi fitur tekstur. Penelitian ini menggunakan gambar biji kopi Timor yang diolah melalui ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM), termasuk parameter seperti kontras, korelasi, energi, dan homogenitas. Evaluasi membandingkan kinerja K-NN menggunakan metrik jarak standar dengan pendekatan jarak tertimbang. Ketahanan model diuji dengan memperkenalkan variasi noise gambar dan nilai-K yang berbeda untuk mengamati stabilitas akurasi yang dihasilkan. Hasilnya diharapkan dapat menunjukkan bahwa pendekatan jarak tertimbang dapat secara efektif menetapkan prioritas yang lebih tinggi untuk fitur GLCM yang paling dominan, sehingga meningkatkan ketahanan model terhadap variasi data. Evaluasi ini diproyeksikan menghasilkan peningkatan akurasi yang signifikan dibandingkan dengan metode K-NN konvensional, terutama dalam kumpulan data dengan kesamaan tekstur tinggi antara kategori biji kopi. Integrasi fitur GLCM dan ruang jarak yang dimodifikasi dalam algoritma K-NN terbukti efektif dalam memperkuat sistem identifikasi karakteristik biji kopi Timor. Temuan ini berkontribusi pada pengembangan sistem jaminan mutu yang lebih objektif dan andal untuk industri kopi di wilayah Timor.]]>
Copyrights © 2026
