PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI KEMATANGAN BUAH JERUK NIPIS
Abstract
Classification of fruit ripeness has become an important topic in agriculture, as this process often requires considerable time and effort. This study aims to develop an automatic classification system that can identify the ripeness level of lime (unripe, half-ripe, ripe) based on RGB and HSV color features using the K-Nearest Neighbor (KNN) algorithm. A total of 83 datasets were collected using a Poco M3 Pro 5G camera, followed by preprocessing, feature extraction, and classification with the KNN algorithm. Using 16 test data in classification, the highest accuracy achieved was 75% with k=5. The implementation of this method demonstrates that KNN is quite effective in classifying color features.
References
S. Napitu, R. Paramita Panjaitan, P. A. Nulhakim, and M. Khalik Lubis, “Klasifikasi Buah Jeruk Segar dan Busuk Berdasarkan RGB dan HSV Menggunakan Metode KNN,” Jurnal SAINTEKOM, vol. 13, no. 2, pp. 214–221, Sep. 2023, doi: 10.33020/saintekom.v13i2.420.
J. Khatib Sulaiman, N. Amelia, M. Garonga, J. Rusman, and I. Artikel Abstrak, “Penerapan Metode K-Nearest Neighbor (Knn) Untuk Klasifikasi Kematangan Buah Kopi,” Indonesian Journal of Computer Science Attribution, vol. 12, no. 2, pp. 2023–693.
A. Octaviani, D. Sandya Prasvita, K. Rizki, T. Zulkarnain, and S. Hinggit, Klasifikasi Tingkat Kematangan pada Buah Rambutan Berdasarkan Fitur Warna Menggunakan KNN dan Ekstraksi Warna HSV. 2021. [Online]. Available: https://www.kaggle.com/aelchimminut/fruits262.
D. Imantata Muhammad and N. Falih, “Penggunaan K-Nearest Neighbor (KNN) untuk Mengklasifikasi Citra Belimbing Berdasarkan Fitur Warna,” no. 1, 2021.
G. M. Tsani, Y. Rahmawati, O. D. Sanyoto, and S. Agustin, “PENGKLASIFIKASIAN DAUN SIRIH DENGAN METODE K-NEAREST NEIGHBOR (KNN) BERBASIS FITUR WARNA GUNA MENDUKUNG PEMANFAATAN TANAMAN OBAT,” 2024.
D. Hardiyanto, D. Anggun Sartika, J. Teknik Elektro, F. Teknologi Industri, and I. AKPRIND Yogyakarta, “EKSTRAKSI FITUR CITRA API BERBASIS EKSTRAKSI WARNA PADA RUANG WARNA HSV dan RGB.”
R. Kosasih et al., “Classification of Banana Ripe Level Based on Texture Features and KNN Algorithms,” 2021.
A. Syarif and A. Ramadhanu, “KLASIFIKASI CITRA TINGKAT KEMATANGAN BUAH ALPUKAT BERDASARKAN BENTUK WARNA MENGGUNAKAN METODE K-NEAREST NEIGHBO,” 2024. [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR
Y. Reswan, R. Toyib, H. Witriyono, and A. Anggraini, “Klasifikasi Tingkat Kematangan Buah Nanas Berdasarkan Fitur Warna Menggunakan Metode K-Nearest Neighbor (KNN),” Jurnal Media Infotama, vol. 20, no. 1, 2024.
P. Kopi, M. Bandung, M. Farhan, and H. Dermawan, “Penerapan Image Processing untuk Mengetahui Tingkat Kematangan Kopi Menggunakan Algoritma K-Nearest Neighbor (KNN) pada”.
S. Raysyah, V. Arinal, and D. I. Mulyana, “KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN DETEKSI WARNA MENGGUNAKAN METODE KNN DAN PCA,” Sistem Informasi |, vol. 8, no. 2, pp. 88–95, 2021.
Melladia; Indah Febri Annisa, “Perancancangan Sistem Penanganan Penyakit Tanaman Padi Menggunakan Metode Case Based Reasoning,” J. Sains Teknol. dan Sist. Inf., vol. 4, no. 1, pp. 50–57, 2024, doi: 10.54259/satesi.v4i1.2948.
S. Suparno and A. Rufaidah, “Analisis Perbandingan Metode Moving Average dan Exponential Smoothing untuk Meramalkan Permintaan Produk Turning Pada CV. Gavra Perkasa,” J. Optim., vol. 7, no. 2, 2021, doi: 10.35308/jopt.v7i2.4311.
M. Melladia, Indah Febri Annisa, and Surya Kharisma Karnefo, “Perancangan Data Mart Analisis Data Nilai Siswa pada SMAN 2 Tebo,” JUMINTAL J. Manaj. Inform. dan Bisnis Digit., vol. 3, no. 1, pp. 18–30, 2024, doi: 10.55123/jumintal.v3i1.3501.
A. F. Hastawan, R. Septiana, Y. E.Windarto, “Perbaikan Hasil Segmentasi HSV Pada Citra Digital Menggunakan Metode Segmentasi RGB Grayscale” Edu Komputika Jurnal,6 (1) 2019
