Klasifikasi Bunga Iris menggunakan Algoritma K-Nearest Neighbor (KNN) Classifier

Enjelina Sukamto; Dwi Titi Maesaroh; Hari Purwadi

doi:10.31004/riggs.v5i2.11258

Authors

Enjelina Sukamto Politeknik Negeri Samarinda
Dwi Titi Maesaroh Politeknik Negeri Samarinda
Hari Purwadi Politeknik Negeri Samarinda

DOI:

https://doi.org/10.31004/riggs.v5i2.11258

Keywords:

Machine Learning, Klasifikasi, Bunga Iris, K-Nearest Neighbor, Confusion Matrix, Morfologi Tumbuhan

Abstract

Identifikasi taksonomi tumbuhan seringkali sulit dilakukan karena adanya unsur subjektivitas dan ketidak efisienan waktu. Pendekatan komputasional yang objektif untuk membedakan spesies berdasarkan ciri morfologis dapat diwujudkan melalui penerapan algoritma pembelajaran mesin, khususnya klasifikasi berbasis contoh. Dengan menggunakan dataset publik Iris yang bersumber dari UCI Machine Learning Repository standar yang terdiri dari 150 sampel, penelitian ini menyelidiki penggunaan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan tiga jenis bunga Iris (Setosa, Versicolor, dan Virginica). Empat parameter dimensi panjang dan lebar sepal serta kelopak menjadi fokus utama pengamatan. Dalam penelitian ini, ditemukan bahwa spesies Setosa memiliki batas spasial yang berbeda secara linier, sedangkan kelas Versicolor dan Virginica memiliki zona tumpang tindih yang signifikan dalam ruang fitur kelopak. Hasil ini diperoleh dengan menggunakan berbagai teknik Analisis Data Eksploratori (EDA), termasuk statistik deskriptif, histogram, dan pemetaan diagram sebar. Untuk pemodelan, data dibagi menjadi 80% data pelatihan dan 20% data uji dengan menggunakan stratifikasi guna menjaga keseimbangan kelas. Parameter lingkungan (neighborhood) ditetapkan sebesar K=5, dan algoritma KNN dievaluasi menggunakan matriks kebingungan serta metrik kinerja klasifikasi. Hasil pengujian menunjukkan bahwa model tersebut memiliki akurasi global sebesar 96,67%. Analisis tersebut menunjukkan bahwa spesies Setosa memiliki nilai presisi dan recall total sebesar 1,00 pada tingkat kelas; namun, terdapat satu kesalahan klasifikasi pada kelas Virginica yang seharusnya diklasifikasikan sebagai Versicolor. Hal ini membuktikan adanya tantangan tumpang tindih fitur alami akibat kemiripan morfologis yang sangat identik antara kedua spesies tersebut.

Downloads

Download data is not yet available.

References

1. Alpaydin, E. (2020). Introduction to machine learning (4th ed.). MIT Press. https://mitpress.mit.edu/9780262043793/

2. Arwansyah, A., Susanto, C., & Nurdiansah, N. (2025). Model klasifikasi machine learning berbasis multiple measurement distance. CSRID (Computer Science Research and Its Development Journal), 17(2), 256–269. https://doi.org/10.22303/csrid-.17.2.2025.256-269

3. Bahzad, T. C., Abdulazeez, A. M., Zeebaree, D. Q., & Zebari, D. A. (2021). Machine learning classifiers based classification for IRIS recognition. Qubahan Academic Journal, 1(2), 106–118. https://doi.org/10.48161/qaj.v1n2a48

4. Efendi, M. H., Pratama, W. S., & Daniati, E. (2024). Analisis Klasifikasi Spesies Bunga Iris Menggunakan Algoritma K-Nearest Neighbors. INOTEK (Seminar Nasional Inovasi Teknologi), 9, 1798-1804.

5. Farahdinna, F., & Shofy, M. N. (2025). Implementasi K-Nearest Neighbor untuk klasifikasi bunga iris. JATI (Jurnal Mahasiswa Teknik Informatika), 9(2), 3510-3514. https://doi.org/10.36040/jati.v9i2.13510

6. Farokhah, L. (2020). Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 7(6), 1129-1136. https://doi.org/10.25126/jtiik.2020722608

7. Geron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O'Reilly Media. https://www.oreilly.com/library/view/hands-on-machine-learning/9781098125967/

8. Hastie, T., Tibshirani, R., & Friedman, J. (2021). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7

9. Hayati, N. (2023). Klasifikasi jenis bunga mawar menggunakan algoritma K-Nearest Neighbour. Jurnal Informatika Dan Riset, 1(1), 31-37. https://doi.org/10.36308/iris.v1i1.474

10. KLASIFIKASI SPESIES BUNGA IRIS MENGGUNAKAN ALGORITMA KLASIFIKASI KNN DI RAPIDMINER (Zainur Rahman, Zaehol Fatah, & Jarot Dwi Prasetyo, Trans.). (2024). Jurnal Ilmiah Multidisiplin Ilmu, 1(6), 60-66. https://doi.org/10.69714/0syd5n74

11. Kuhn, M., & Johnson, K. (2021). Applied predictive modeling in biological informatics. Springer Science & Business Media. https://doi.org/10.1007/978-1-4614-6849-3

12. Müller, A. C., & Guido, S. (2020). Introduction to machine learning with Python: A guide for data scientists (2nd ed.). O'Reilly Media. https://www.oreilly.com/library/view/introduction-to-machine/9781449369880/

13. Octavianto, M. D. A., & Subtari, T. (2025). Analisis perbandingan kinerja algoritma klasifikasi data menggunakan metode K-NN, Naive Bayes, dan Decision Tree pada dataset UCI Iris. MEANS (Media Informasi Analisa Dan Sistem), 10(1), 35–40. https://ejournal.ust.ac.id/index.php/Jurnal_Means/article/view/4982

14. Penerapan Fungsi Exponential Pada Pembobotan Fungsi Jarak Euclidean Algoritma K-Nearest Neighbor. (2022). Generation Journal, 6(2), 98-105. https://doi.org/10.29407/gj.v6i2.18070

15. Rahman, B., Fauzi, F., & Amri, S. (2023). Perbandingan hasil klasifikasi data iris menggunakan algoritma K-Nearest Neighbor dan Random Forest. Journal Of Data Insights, 1(1), 19–26. https://doi.org/10.26714/jodi.v1i1.135

16. Rahman, Z., Fatah, Z., & Prasetyo, J. D. (2024). Klasifikasi spesies bunga iris menggunakan algoritma klasifikasi KNN di RapidMiner. Jurnal Ilmiah Multidisiplin Ilmu, 1(6), 60-66. https://doi.org/10.69714/0syd5n74

17. Taha Chicho, B., Mohsin Abdulazeez, A., Qader Zeebaree, D., & Assad Zebari, D. (2021). Machine Learning Classifiers Based Classification For IRIS Recognition. Qubahan Academic Journal, 1(2), 106–118. https://doi.org/10.48161/qaj.v1n2a48

18. Thirunavukkarasu, K., Singh, A. S., Rai, P., & Gupta, S. (2018). Classification of IRIS dataset using classification based KNN algorithm in supervised learning. 2018 International Conference on Computing, Communication and Automation (ICCCA). https://doi.org/10.1109/CCAA.2018.8777643

19. Wibowo, A. P., Widiyono, Saifudin, A., Darmawan, S. A., & Budihartono, E. (2022). Naïve Bayes, Neural Network dan K-Nearest Neighbor untuk Klasifikasi Topik Tugas Akhir. Smart Comp, 11(4), 661–667. https://doi.org/10.30591/smartcomp.v11i4.4251

20. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2021). Data mining: Practical machine learning tools and techniques (4th ed.). Morgan Kaufmann. https://doi.org/10.1016/C2009-0-19715-5