K-Star, Rastgele Orman ve Karar Ağacı (C4.5) Sınıflandırma Algoritmaları ile Domatesin Renk Olgunluğu Üzerinde Bazı Mekanik Özelliklerin Etkisinin Belirlenmesi

Abstract

Bu çalışma, domatesin renk olgunluğu üzerine kabuk yırtılma noktasındaki kuvvet, kabuk yırtılma noktasındaki enerji ve kabuk yırtılma sertliği gibi mekanik özelliklerin etkisinin veri madenciliği yönteminin danışmanlı öğrenme algoritmaları ile belirlenmesi amacıyla yürütülmüştür. Araştırmada toplam 88 adet domates örneği kullanılmış ve her domateste 4 farklı ekvatoral bölgede renk ölçümü gerçekleştirilerek toplamda 352 adet renk ölçümü kullanılmıştır. Mekanik özelliklere göre yapılan sınıflandırma işlemlerinde veri madenciliğinin K-Star, Random Forest ve Karar Ağacı (C4.5) algoritmalarından yararlanılmış ve oluşan sınıflandırma modellerinin karşılaştırmasında hata varyans kriterlerinden, Hata kareler ortalamasının karekökü (Root Mean Square Error-RMSE), Ortalama mutlak hata (Mean absolute error-MAE), Bağıl karesel hatanın karakökü (Root relative squared error-RRSE) ile Göreli mutlak hata (Relative absolute errorRAE) değerlerinin düşük, sınıflandırma doğruluk oranının ise yüksek olması dikkate alınmıştır. Yapılan karşılaştırma sonucunda ise örnek tabanlı K-Star algoritmasına göre oluşan [MAE: 0,004, RMSE: 0,006, %RAE: 1,73 ve %RRSE: 1,70] sınıflandırma modelinin diğerlerine nazaran daha iyi sınıflandırıcı olduğu tespit edilmiştir. K-Star algoritmasına göre yapılan sınıflandırma ile domateste olgunluk derecesi üzerinde kabuk yırtılma noktasındaki kuvvet ile kabuk yırtılma sertliği özelliklerinin yeşil, açık kırmızı ve renk dönüşüm dönemlerinde etkisinin önemsiz diğer dönemlerde önemli kabuk yırtılma noktasındaki enerjinin ise yalnızca pembe ve renk dönüşüm safhalarında etkili diğer renk oluşum safhalarında ise önemsiz olduğu bulunmuştur.