Klasifikasi Citra Tingkat Kematangan Buah Alpukat Berdasarkan Bentuk Warna Menggunakan Metode K-Nearest Neighbor
DOI:
https://doi.org/10.35473/jamastika.v5i1.4697Abstract
Manually determining the ripeness level of avocados is often subjective and requires experience from the observer. Therefore, an automated system capable of accurately classifying the ripeness level of avocados is needed. This study aims to classify the ripeness level of avocados based on shape and color characteristics using the K-Nearest Neighbor (K-NN) method. The research process begins with capturing images of avocados at various ripeness levels, followed by image preprocessing in the form of resizing, segmentation, and extraction of color (mean, standard deviation, and skewness) and shape (area, perimeter, and shape ratio) features. The extracted features are used as input for the K-NN algorithm with varying k values to achieve the best accuracy. Based on the test results, the K-NN method is able to classify the ripeness level of avocados with a good level of accuracy, indicating that the combination of color and shape features is effective in distinguishing ripeness categories. This system is expected to assist farmers and industry players in determining the quality of avocados quickly and objectively.
Keywords: Image classification, avocado, ripeness level, K-Nearest Neighbor, feature extraction.
Perkembangan teknologi informasi saat ini telah memungkinkan identifikasi buah berdasarkan ciri warna melalui pemrosesan citra digital. Proses ini memanfaatkan kamera untuk mengambil gambar buah, yang kemudian diolah menggunakan perangkat lunak komputer dengan teknik pengolahan citra digital untuk menentukan tingkat kematangan buah secara efisien. Penentuan tingkat kematangan buah alpukat secara manual sering kali bersifat subjektif dan memerlukan pengalaman dari pengamat. Oleh karena itu, diperlukan sistem otomatis yang mampu mengklasifikasikan tingkat kematangan buah secara akurat. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematang buah alpukat berdasarkan ciri bentuk dan warna menggunakan metode K-Nearest Neighbor (K-NN). Proses penelitian diawali dengan pengambilan citra buah alpukat pada berbagai tingkat kematangan, kemudian dilakukan pra-pemprosesan citra berupa resize, segmentasi, dan ekstraksi fitur warna (mean, standar deviasi, dan skewness) serta bentuk (luas, keliling, dan rasio bentuk). Hasil ekstraksi fitur tersebut digunakan sebagai masukan untuk algoritma K-Nearest Neighbor dengan variasi nilai k untuk memperoleh akurasi terbaik. Berdasarkan hasil pengujian, metode K-Nearest Neighbor mampu mengklasifikasikan tingkat kematangan buah alpukat dengan tingkat akurasi yang baik, menunjukkan bahwa kombinasi fitur warna dan bentuk efektif dalam membedakan kategori kematangan. Sistem ini diharapkan dapat membantu petani maupun pelaku industri dalam menentukan kualitas buah alpukat secara cepat dan objektif.
Kata Kunci: klasifikasi citra, buah alpukat, tingkat kematangan, K-Nearest Neighbor, ekstraksi fitur.
References
Artikel, R., Aksa, M., Ranggareksa, A., Kaswar, A. B., Darma, D., Nurul, R., & Intam, J. S. (2025). Deteksi Tingkat Kematangan Buah Mangga Berdasarkan Fitur Warna Menggunakan Pengolahan Citra Digital Mango Ripeness Detection Based on Color Features Using Digital Image Processing. 11, 240–250.
Dan, K. N., & Vector, S. (2025). KLASIFIKASI JENIS BUAH TOMAT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR DAN SUPPORT VECTOR MACHINE. 800–807.
George, J., & Sanu, M. (2025). IDENTIFIKASI KEMATANGAN BUAH NANAS MENGGUNAKAN CITRA DIGITAL DENGAN METODE K-NEAREST NEIGHBOR ( K-NN ) DAN SUPPORT VECTOR MACHINE ( SVM ). 16, 35–48.
Lapendy, J. C., Aulia, A., Resky, C., Makmur, H., Baso, A., Andayani, D. D., & Adiba, F. (2024). Klasifikasi rasa jeruk siam berdasarkan warna dan tekstur berbasis pengolahan citra digital. 9(2), 756–767.
Mahendra, M. D. (2024). DETEKSI TINGKAT KEMATANGAN BUAH PISANG CAVENDISH MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR).
Muchtar, M., Muchtar, R. A., Sembilanbelas, U., Kolaka, N., Tenggara, S., Halu, U., Kendari, O., & Tenggara, S. (2024). PERBANDINGAN METODE KNN DAN SVM DALAM KLASIFIKASI KEMATANGAN BUAH MANGGA BERDASARKAN CITRA HSV DAN FITUR STATISTIK. 12(2), 876–884.
Muhammad, D. I., & Falih, N. (2021). Penggunaan K-Nearest Neighbor ( KNN ) untuk Mengklasifikasi Citra Belimbing Berdasarkan Fitur Warna. 4221(April), 9–16.
Neighbor, K., Rosiani, U. D., Mentari, M., & Prastya, A. N. (n.d.). Klasifikasi Kualitas Biji Jagung Berdasarkan Deteksi Warna dan Bentuk Menggunakan Metode.
Paramita, C., Rachmawanto, E. H., Sari, C. A., Ignatius, D. R., & Setiadi, M. (2019). Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor. 04(1), 1–6. https://doi.org/10.30591/jpit.v4i1.1267
Siwilopo, K. P., Marcos, H., Letjend, J., Soemarto, P., & Utara, K. P. (2023). MEMBANDINGKAN KLASIFIKASI PADA BUAH JERUK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DAN K-NEAREST NEIGHBOR. 12(1), 57–64.
Studi, P., Informatika, T., Teknik, F., & Samudra, U. (2019). Optimasi Algoritma K-Nearest Neighbor untuk Klasifikasi Tingkat Kematangan Buah Alpukat Berdasarkan Warna. 4(1), 10–18.
Syarif, A., & Ramadhanu, A. (2024). Berdasarkan Bentuk Warna Menggunakan Metode K-Nearest Neighbo. 4307(4), 1578–1583.
Syirojuddin, A. I., Riadi, A. A., Susanto, A., Kudus, U. M., Kudus, K., & Tengah, J. (n.d.). KLASIFIKASI TINGKAT KEMATANGAN PARIJOTOBERDASARKAN KARAKTERISTIK WARNA MENGGUNAKAN ALGORITMA K-NEAREST. 30–40.
Using, R., & Neighbor, T. K. (n.d.). EKSTRAKSI FITUR WARNA DALAM PROSES KLASIFIKASI TINGKAT KEMATANGAN BUAH RAMBUTAN DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR ( Color Feature Extraction In The Process Of Classifying The Ripeness Level Of.
Warna, B., Melalui, R. G. B., & Matlab, A. (2024). Klasifikasi tingkat kematangan buah paprika menggunakan metode k-nearest neighbor berdasarkan warna rgb melalui aplikasi matlab. 9(1), 242–249.
Warna, F., & Neighbors, M. K. (2022). Klasifikasi Kematangan Daun Selada Berdasarkan. 7(1), 35–44.
