Klasifikasi Kematangan Buah Apel Berdasarkan Warna Dan Tekstur Menggunakan Algoritma K-Nearest Neighbor
Article Sidebar
Main Article Content
Abstract
Apel (Malus Domestica) adalah salah satu jenis buah yang unggul dan sangat digemari dan dikonsumsi masyarakat. Buah apel banyak digemari masyarakat karna rasanya yang bervariasi. Buah apel manalagi yang masih belum matang memiliki warna hijau dan untuk apel manalagi yang sudah matang memiliki warna hijau kekuningan. Hal tersebut tentu akan sedikit menyulitkan untuk membedakan antara buah apel manalagi yang belum matang maupun yang sudah matang apabila tidak terlalu memiliki ilmu mengenai dunia pertanian terutama pada buah apel. Sebab orang awam dirasa akan sulit membedakan. Sehingga akan diperoleh penilaian yang berbeda oleh setiap individu yang menyebabkan tingkat akurasi yang berbeda. Oleh karena itu dibutuhkan suatu teknologi yang dapat menentukan nilai tingkat akurasi dari pengklasifikasian kematangan buah apel manalagi sehingga memperoleh nilai yang konsisten. Penelitian ini bertujuan untuk menghasilkan prototype untuk mengklasifikasikan buah apel menggunakan Metode K-Nearest Neighbor berdasarkan tingkat kematangan yang direpresentasikan dari sisi warna dan teksturnya dan membantu memudahkan masyarakat dalam menentukan jenis buah yang matang, sedang, dan mentah. Diharapkan adanya teknologi ini dapat mempermudah manusia dalam mengklasifikasikan tingkat kematangan buah apel secara akurat. Metode pengujian ini menggunakan 12 buah apel yang terdiri dari matang, sedang, dan mentah yang menghasilkan tingkat kematangan buah apel sebesar 91,6667% dari total akurasi
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Y. Taufik, Statistik Produksi Hortikultura 2014. Direktorat jenderal hortikultura, kementrian pertanian, 2015.
T. Sutojo, D. R. I. M. Setiadi, P. S. Tirajani, C. A. Sari, and E. H. Rachmawanto, “CBIR for classification of cow types using GLCM and color features extraction,” Proc. - 2017 2nd Int. Conf. Inf. Technol. Inf. Syst. Electr. Eng. ICITISEE 2017, vol. 2018-January, pp. 182–187, Feb. 2018, doi: 10.1109/ICITISEE.2017.8285491.
A. Budianita and F. I. Pratama, “Penerapan Algoritma Klasifikasi Dengan Fitur Seleksi Weight By Information Gain Pada Pemodelan Prediksi Kelulusan Mahasiswa,” Infotekmesin, vol. 11, no. 2, Aug. 2020, doi: 10.35970/INFOTEKMESIN.V11I2.255.
F. I. Pratama and A. Budianita, “Optimization of K-Nn classification in human gait recognition,” 2020 5th Int. Conf. Informatics Comput. ICIC 2020, Nov. 2020, doi: 10.1109/ICIC50835.2020.9288653.
S. Nuraisha, F. I. Pratama, A. Budianita, and M. A. Soeleman, “Implementation of K-NN based on histogram at image recognition for pornography detection,” in Proceedings - 2017 International Seminar on Application for Technology of Information and Communication: Empowering Technology for a Better Human Life, iSemantic 2017, Institute of Electrical and Electronics Engineers Inc., Jul. 2017, pp. 5–10. doi: 10.1109/ISEMANTIC.2017.8251834.
I. Siswanto, E. Utami, S. Raharjo, and A. Yogyakarta, “Klasifikasi Tingkat Kematangan Buah Berdasarkan Warna dan Tekstur Menggunakan Metode K-Nearest Neighbor dan Nearest Mena Classifier,” Inspir. J. Teknol. Inf. dan Komun., vol. 10, no. 1, pp. 93–101, Jun. 2020, doi: 10.35585/INSPIR.V10I1.2559.
R. P. Rakhmawati, “SISTEM DETEKSI JENIS BUNGA MENGGUNAKAN NILAI HSV DARI CITRA MAHKOTA BUNGA,” Inf. Technol. Telemat., vol. 2, no. 1, 2013.
M. Dhewa Kusuma, U. Rosidin, and A. Suyatna, “The Development of Higher Order Thinking Skill (Hots) Instrument Assessment In Physics Study,” vol. 7, no. 1, pp. 26–32, doi: 10.9790/7388-0701052632.
F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor,” Ultim. J. Tek. Inform., vol. 7, no. 2, pp. 98–104, Aug. 2015, doi: 10.31937/TI.V7I2.356.
F. Gorunescu, “Data mining: Concepts, models and techniques,” Intell. Syst. Ref. Libr., vol. 12, 2011, doi: 10.1007/978-3-642-19721-5/COVER.