KLASIFIKASI SAPI MADURA DENGAN PENYEIMBANG DATA SMOTE MENGGUNAKAN METODE K-NEAREST NEIGHBORS (KNN)

Sapi Madura sebagai salah satu ras asli dari Pulau Madura telah lama menjadi bagian darirnkehidupan masyarakat lokal baik sebagai sumber pangan maupun penggerak ekonomi. Dalamrnpengelompokkan data terkait kerapan sapi, terjadi ketidakseimbangan data (data imbalance)rnsehingga menyebabkan model cenderung mengklasifikasikan data ke dalam kelas mayoritas danrnmengabaikan kelas minoritas. Tujuan dari penelitian ini adalah mengetahui hasil klasifikasirndengan menggunakan algoritma K-Nearest Neighbor (KNN) dan teknik penyeimbang datarnSynthetic Minority Over-sampling Technique (SMOTE). Algoritma KNN dipilih karenarnmerupakan algoritma klasifikasi berbasis jarak yang bekerja dengan membandingkan data barurnterhadap sejumlah k terdekat dalam data latih, sedangkan SMOTE digunakan untuk mengatasirnketidakseimbangan data yang dapat menyebabkan bias model terhadap kelas mayoritas. Metodernpenelitian ini meliputi pengumpulan dataset sapi Madura, preprocessing data, penerapan SMOTE,rnpelatihan model dengan KNN, serta evaluasi kinerja menggunakan metrik akurasi, presisi, recall,rndan F1-score. Berdasarkan hasil penelitian dapat disimpulkan bahwa performa model KNN danrnKNN-SMOTE dipengaruhi oleh nilai K, penggunaan SMOTE, serta pembagian data latih dan uji.rnPada KNN, akurasi tertinggi pada pembagian 80:20 dicapai pada K 5 dan K 7 sebesar 0,850,rnsedangkan pada pembagian 60:40 akurasi terbaik diperoleh pada K 3 sebesar 0,857. Sedangkanrnpada KNN-SMOTE menunjukkan peningkatan akurasi, di mana pada pembagian 80:20 nilairntertinggi diperoleh pada K 9 sebesar 0,857, dan pada pembagian 60:40 akurasi terbaik dicapairnpada K 3 sebesar 0,871, yang merupakan akurasi tertinggi dari seluruh percobaan yangrndilakukan. Dengan demikian, model KNN-SMOTE dengan pembagian data 60:40 dan K 3rnmenunjukkan performa terbaik.