Prediksi Jenis Bunga Iris dengan Alqoritma K-Nearest Neighbor Menggunakan RapidMiner
DOI:
https://doi.org/10.35473/jamastika.v5i1.4621Abstract
Pada kesempatan ini peneliti brtujuan untuk mengklasifikasi tumbuhan Iris Species menggunakan metode alqoritma K-Nearest Neighbor yang mengimplementasikan dalam RapidMiner Studio 2025.0.1. Yang mana Dataset berisi 150 entri yang mewakili tiga spesies iris (sclerotium, iris beraneka warna, dan eceng gondok), masing-masing berisi empat fitur utama yang digunakan sebagai variabel studi: ukuran Panjang dan lebar dibagian kelopak serta mahkota bunga. Metodologi penelitian ini melibatkan beberapa Langkah yaitu: akuisisi data (Retrieve Iris), penandaan fitur (Set Role), pemisahan data (70% data pelatihan, 30% data uji), pelatihan model menggunakan algoritma K-NN dengan K = 5 dan pembobotan, implementasi model (Apply Model), dan evaluasi kinerja. Hasil pengujian menunjukkan bahwa model K-NN dapat mengklasifikasikan tumbuhan Iridaceae dengan akurasi 97,78%, tingkat presisi dan recall melebihi 93%, dan kesalahan klasifikasi yang sangat rendah. Penelitian ini juga menunjukkan efektifitas tinggi alqoritma K-NN dalam pengenalan pola mortofologi bunga dan juga menunjukkan bahwa aplikasi RapidMiner dapat dijadikan alat yang efektif dan praktis untuk mengembangkan model klasifikasi berbasis pembelajaran mesin.
Kata Kunci: K-Nearset Neighbor, RapidMiner, Klasifikasi, iris, Pembelajaran mesin.
On this occasion, the researcher aims to classify Iris Species plants using the K-Nearest Neighbor algorithm method implemented in RapidMiner Studio 2025.0.1. The dataset contains 150 entries representing three iris species (sclerotium, variegated iris, and water hyacinth), each containing four main features used as study variables: petal length and width, and petal length and width. The methodology of this study involves several steps, namely: data acquisition (Retrieve Iris), feature marking (Set Role), data separation (70% training data, 30% test data), model training using the K-NN algorithm with K = 5 and weighting, model implementation (Apply Model), and performance evaluation. The test results show that the K-NN model can classify Iridaceae plants with an accuracy of 97.78%, precision and recall levels exceeding 93%, and very low classification errors. This study also shows the high effectiveness of the K-NN algorithm in recognizing flower morphological patterns and also shows that the RapidMiner application can be used as an effective and practical tool for developing machine learning-based classification models.
Keywords: K-Nearest Neighbor, RapidMiner, Classification, iris, Machine learning.
References
Ahmad Sabri. (2023). Transfer Learning Model Cnn Pralatih UntukKlasifikasi Bunga Iris Berbasis Citra. Seminar Nasional Teknologi Informasi Dan Komunikasi STI&K (SeNTIK), 7(1), 2581–2327.
Beliya, S., Syarif, T. R., Afian, R. N., Afrilia, U. L., & Putra, R. B. (2023). Jurnal ilmiah Multidisiplin Ilmu Nusantara Jurnal ilmiah Multidisiplin Ilmu Nusantara. Jurnal Ilmiah Multidisiplin Ilmu Nusantara, 1(1), 14–19.
Dwiputra, M., Wijaya, I., & Dwiyansaputra, R. (2024). Perancangan Mesin Klasifikasi Menggunakan Particle Swarm Optimization Designing A Classification Machine Using Particle Swarm Optimization. J-COSINE (Journal of Computer Science and Informatics Engineering), 8(2), 146–154. http://jcosine.if.unram.ac.id/
Fahmi, M. N. (2023). Implementasi Mechine Learning menggunakan Python Library : Scikit-Learn (Supervised dan Unsupervised Learning). Sains Data Jurnal Studi Matematika Dan Teknologi, 1(2), 87–96. https://doi.org/10.52620/sainsdata.v1i2.31
Farokhah, L. (2020). Implementasi K-Nearest Neighbor Untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna Rgb Implementation of K-Nearest Neighbor for Flower Classification With Extraction of Rgb Color Features. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 7(6), 1129–1136. https://doi.org/10.25126/jtiik.202072608
Naufal Hilmi, A., Yulia Puspaningrum, E., Endah Wahanani, H., Rungkut Madya No, J., Anyar, G., Gn Anyar, K., & Timur, J. (2024). Implementasi Algoritma K-Nearest Neighbor (KNN) untuk Identifikasi Penyakit pada Tanaman Jeruk Berdasarkan Citra Daun. Router : Jurnal Teknik Informatika Dan Terapan, 2(2), 107–117.
Neighbors, M. A. K. (n.d.). Analisis Klasifikasi Spesies Bunga Iris. I, 1798–1804.
Ningati, R. K., & Hanik, N. R. (2025). Identification of Ornamental Flower Plants in The Blooms Garden Bali as a Learning Resource for High School Biology. Jurnal Biologi Tropis, 25(1), 402–415. https://doi.org/10.29303/jbt.v25i1.8508
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).
Ronaldo, R., & Kurnia, Y. (2025). Perbandingan Kinerja Algoritma SVM, Decision Tree, dan, Naive Bayes untuk Klasifikasi dan Pengelompokan Spesies Iris. POTERS (Proceedings of Technology, Engineering and Computers), 1(1), 70–77.
Salsabila, A., Yunita, R., & Rozikin, C. (2021). Identifikasi Citra Jenis Bunga menggunakan Algoritma KNN dengan Ekstrasi Warna HSV dan Tekstur GLCM. Technomedia Journal, 6(1), 124–137. https://doi.org/10.33050/tmj.v6i1.1667
Sari, W. S., & Sari, C. A. (2022). Klasifikasi Bunga Mawar Menggunakan Knn Dan Ekstraksi Fitur Glcm Dan Hsv. Skanika, 5(2), 145–156. https://doi.org/10.36080/skanika.v5i2.2951
Wulandari, A. (2024). Profil Morfologi Bunga Angiospermae di Lingkungan Fakultas Ilmu Tarbiyah dan Keguruan Universitas Islam Negeri Sunan Kalijaga sebagai Sumber Belajar …. Jurnal Exact: Kajian Kemahasiswaan, 2(1), 88–97. https://ejournal.uin-suka.ac.id/tarbiyah/exact/article/view/8954%0Ahttps://ejournal.uin-suka.ac.id/tarbiyah/exact/article/download/8954/3608
Yana, Y. E., & Nafi’iyah, N. (2021). Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN. RESEARCH : Journal of Computer, Information System & Technology Management, 4(1), 28. https://doi.org/10.25273/research.v4i1.6687
