Optimasi Metode K-Nearest Neighbor (KNN) pada Klasifikasi Tingkat Kematangan Buah Pinang Menggunakan Citra Digital

Shofi Camila Laisya Amanda; Fitri Yunita; Samsudin Samsudin

doi:10.31004/riggs.v5i2.12727

Authors

Shofi Camila Laisya Amanda Universitas Islam Indragiri
Fitri Yunita Universitas Islam Indragiri
Samsudin Samsudin Universitas Islam Indragiri

DOI:

https://doi.org/10.31004/riggs.v5i2.12727

Keywords:

K- Nearest Neighbor, klasifikasi, kematangan buah pinang, citra digital, Gray Level Co-occurrence Matrix (GLCM)

Abstract

Penentuan tingkat kematangan buah pinang secara manual masih bergantung pada pengamatan visual, sehingga rentan terhadap kesalahan, subjektivitas, dan ketidakkonsistenan akibat perbedaan pengalaman pengamat serta kondisi pencahayaan. Penelitian ini bertujuan mengoptimasi metode K-Nearest Neighbor (KNN) untuk mengklasifikasikan tingkat kematangan buah pinang menggunakan citra digital berdasarkan variasi nilai parameter K. Dataset terdiri atas 360 citra buah pinang yang dikelompokkan ke dalam empat kelas, yaitu muda, sedang, tua, dan kering, dengan pembagian 300 citra sebagai data latih dan 60 citra sebagai data uji. Tahapan penelitian mencakup akuisisi data, pra-pemrosesan berupa penghapusan latar belakang, cropping, dan resize menjadi 64 × 64 piksel, kemudian ekstraksi 17 fitur yang terdiri atas 12 fitur warna RGB dan HSV serta 5 fitur tekstur Gray Level Co-occurrence Matrix (GLCM). Proses klasifikasi menggunakan jarak Euclidean dengan pengujian nilai K sebesar 1, 3, 5, 7, dan 9. Kinerja model dievaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa seluruh variasi nilai K menghasilkan performa yang identik, yaitu accuracy 96,67%, precision 97,06%, recall 96,67%, dan F1-score 96,65%. Dari 60 citra uji, sebanyak 58 citra berhasil diklasifikasikan dengan benar. Nilai K = 1 dipilih sebagai parameter optimal karena memberikan performa tinggi dengan konfigurasi paling sederhana. Temuan ini menunjukkan bahwa kombinasi fitur RGB, HSV, dan GLCM efektif merepresentasikan karakteristik visual kematangan buah pinang.

Downloads

Download data is not yet available.

References

[1] D. Ega Saputra, D. Rahmawati, and A. Fiqhi Ibadillah, “Pengolahan Citra Digital Dalam Penentuan Panen Jamur Tiram”.

[2] P. B. Ariska Putra Gotamaa, K. Yota Ernanda, and L. J. Erawati Dewi, “Klasifikasi Tingkat Kematangan Dan Kualitas Buah Pisang Berdasarkan Fitur Warna, Tekstrur Dan Bentuk Menggunakan Metode Transformasi Ruang Warna HSV”.

[3] Hamdi Aulia Ramadhan and S. Sriani, “Klasifikasi Tingkat Kematangan Buah Salak Sidempuan Menggunakan K-Nearest Neighbor pada Ruang Warna HSV,” INSOLOGI: Jurnal Sains dan Teknologi, vol. 4, no. 4, pp. 997–1012, Aug. 2025, doi: 10.55123/insologi.v4i4.6298.

[4] H. R. Cahyaputra and R. Rahmadewi, “Klasifikasi Tingkat Kematangan Buah Paprika Menggunakan Metode K-Nearest Neighbor Berdasarkan Warna Rgb Melalui Aplikasi Matlab,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 1, pp. 242–249, Feb. 2024, doi: 10.29100/jipi.v9i1.4440.

[5] D. R. Febrinamas, R. Hidayati, and I. Nirmala, “Klasifikasi Buah Pinang Berdasarkan Data Sensor Menggunakan Metode K-Nearest Neighbor Berbasis Web,” Journal of Computer System and Informatics (JoSYC), vol. 4, no. 4, pp. 1046–1055, Aug. 2023, doi: 10.47065/josyc.v4i4.3805.

[6] A. Firmansyah, A. * Samsudin, J. Provinsi Parit, T. H. Indragiri, and H. Riau, “Rancang Bangun Sistem Klasifikasi Biji Pinang Menggunakan Metode Nearest Mean Classifier Berbasis Android,” 2021. [Online]. Available: http://sistemasi.ftik.unisi.ac.id

[7] F. Yunita, “Sistem Klasifikasi Penyakit Diabetes Mellitus Menggunakan Metode K-Nearest Neighbor (K-NN),” Sistem Klasifikasipenyakit Diabetes....(Fitri).

[8] S. Gayatri Hehanussa, S. Hartono Wijaya, and T. Haryanto, “Penerapan Metode K-Nearest Neighbor dan Support Vector Machine untuk Klasifikasi Kematangan Buah Mengkudu Application of K-Nearest Neighbor Method and Support Vector Machine for Noni Fruit Ripeness Classification,” vol. 12, pp. 25–37, [Online]. Available: https://jurnal.ipb.ac.id/index.php/jika

[9] Wildan Amin Wiharja, Tohirin Al Mudzakir, Hilda Yulia Novita, and Jamaludin Indra, “Perbandingan Algoritma Logistic Regression dan K-Nearest Neighbor Dalam Klasifikasi Kematangan Buah Pepaya,” Bulletin of Computer Science Research, vol. 5, no. 4, pp. 353–360, Jun. 2025, doi: 10.47065/bulletincsr.v5i4.550.

[10] M. H. Hanafi, N. Fadillah, and A. Insan, “Optimasi Algoritma K-Nearest Neighbor untuk Klasifikasi Tingkat Kematangan Buah Alpukat Berdasarkan Warna,” IT JOURNAL RESEARCH AND DEVELOPMENT, vol. 4, no. 1, pp. 10–18, May 2019, doi: 10.25299/itjrd.2019.vol4(1).2477.

[11] A. Syarifah, A. Akbar Riadi, and A. Susanto, “Klasifikasi Tingkat Kematangan Jambu Bol Berbasis Pengolahan Citra Digital Menggunakan Metode K-Nearest Neighbor,” 2022.

[12] B. Oktaviana, “Implementation of the Support Vector Machine (SVM) Method for Classifying the Maturity Level of Oil Palm Fruit,” 2025. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

[13] A. Setiawan, “Penerapan Gray Level Co-Ocurrence Matrix Dengan Metode Self Organizing Map Pada Deteksi Kematangan Buah Pinang Application of Gray Level Co-Occurrence Matrix Using the Self Organizing Map Method in Detecting Areca Fruit Ripeness,” Juni, vol. 16, no. 2, pp. 174–187, 2024, doi: 10.22303/csrid.1.1.2022.01-10.

[14] N. Azmi Wardhana, A. S. Yudo Husodo MT, and F. Bimantoro, “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 Rambutan Using The K-Nearest Neighbor Method).”

[15] E. Widyastuti, A. Hermawan, and D. Avianto, “Klasifikasi Tomat Berdasarkan Varietas Dengan Ekstraksi Fitur Rgb Dan Algoritma Naïve Bayes,” 2025. [Online]. Available: http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/indexEviWidyastuti|http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index|