Klasifikasi Citra Buah Menggunakan Algoritma K-Nearest Neighbour (KNN) dan Metode Euclidean Distance

Novi Tristanti; Nova Tri Romadloni; Nur Hayati Sya’bani

doi:10.31004/riggs.v4i3.3243

Authors

Novi Tristanti Universitas Muhammadiyah Karanganyar
Nova Tri Romadloni Universitas Muhammadiyah Karanganyar
Nur Hayati Sya’bani Universitas Muhammadiyah Karanganyar

DOI:

https://doi.org/10.31004/riggs.v4i3.3243

Keywords:

Pengolahan Citra, Klasifikasi Buah, KNN, Euclidean Distance, MATLAB

Abstract

Pengolahan citra digital merupakan salah satu bidang penting dalam computer vision yang berfokus pada interpretasi citra untuk memperoleh informasi bermakna, khususnya dalam proses identifikasi dan klasifikasi objek berbasis karakteristik visual. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk membedakan jenis buah dengan menerapkan algoritma K-Nearest Neighbor (KNN) menggunakan pendekatan Euclidean Distance pada lingkungan MATLAB. Prosedur penelitian dilaksanakan melalui beberapa tahapan utama, meliputi pre-processing, ekstraksi ciri, normalisasi histogram, serta klasifikasi. Pada tahap pre-processing, citra yang menjadi dataset terlebih dahulu dikonversi ke bentuk grayscale, dilanjutkan dengan proses noise reduction dan binarisasi guna meningkatkan kualitas citra serta memperjelas fitur objek. Tahap ekstraksi ciri kemudian dilakukan untuk memperoleh informasi visual yang relevan, sedangkan normalisasi histogram berfungsi menstandarkan distribusi intensitas piksel agar proses klasifikasi menjadi lebih optimal. Hasil pengujian menunjukkan bahwa sistem mampu melakukan pengenalan citra buah dengan tingkat akurasi rata-rata sebesar 93,3%. Capaian ini mengindikasikan bahwa kombinasi metode ekstraksi fitur dengan algoritma KNN cukup efektif dalam mengelompokkan citra berdasarkan kemiripan karakteristik visualnya. Secara praktis, sistem ini berpotensi diterapkan dalam proses sortasi buah secara otomatis pada sektor pertanian maupun industri pengolahan hasil pangan. Meskipun demikian, pengembangan lebih lanjut masih diperlukan, misalnya melalui penambahan variasi dataset, peningkatan kualitas citra, serta penerapan algoritma klasifikasi yang lebih adaptif agar sistem mampu bekerja secara optimal pada kondisi citra yang lebih kompleks dan bervariasi.

Downloads

Download data is not yet available.

References

I. H. Ikasari, P. Rosyani, and R. Amalia, “Klasifikasi Jenis Buah Menggunakan Metode CNN,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 2, pp. 5451–5458, 2025, doi: 10.31004/riggs.v4i2.1271.

K. Priskania, “Jurnal Ilmiah Jurnal Ilmiah,” J. Ilm. Aset, vol. 11, no. 2, pp. 58–67, 2023, doi: 10.33005/jifti.v7i1.162.

G. U. I. Matlab, “METODE CANNY BERBASIS GUI MATLAB,” pp. 1–12.

S. L. Galib, F. S. Tahir, and A. A. Abdulrahman, “Detection Face Parts in Image Using Neural Network Based on MATLAB,” Eng. Technol. J., vol. 39, no. 1B, pp. 159–164, 2021, doi: 10.30684/etj.v39i1b.1944.

D. Nurnaningsih, D. Alamsyah, A. Herdiansah, and A. A. J. Sinlae, “Identifikasi Citra Tanaman Obat Jenis Rimpang dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur,” Build. Informatics, Technol. Sci., vol. 3, no. 3, pp. 171–178, 2021, doi: 10.47065/bits.v3i3.1019.

Sunardi, Abdul Fadlil, and Novi Tristanti, “The Application of The Manhattan Method to Human Face Recognition,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 6, pp. 939–944, Dec. 2022, doi: 10.29207/resti.v6i6.4265.

N. Tristanti, S. Sunardi, and A. Fadlil, “Penerapan Metode Euclidean pada Pengenalan Wajah Siswa Taman Kanak-Kanak,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 10, no. 1, pp. 903–914, 2023.

M. Penelitian, “Perancangan program pengenalan wajah menggunakan fungsi jarak metode euclidean pada matlab,” vol. 2008, no. Snati, pp. 15–18, 2008.

M. Zairi, T. Boujiha, and A. Ouelli, “Improved JPEG image watermarking in data compression domain using block selection strategy,” EAI Endorsed Trans. Internet Things, vol. 6, no. 24, p. 168690, 2021, doi: 10.4108/eai.8-2-2021.168690.

M. A. Abuzneid, A. Mahmood, and S. Member, “Enhanced Human Face Recognition Using LBPH Descriptor , Multi-KNN , and Back-Propagation Neural Network,” IEEE Access, vol. 6, pp. 20641–20651, 2018, doi: 10.1109/ACCESS.2018.2825310.

A. Azis, D. P. Pamungkas, and A. B. Setiawan, “Analisa Perbandingan Algoritma Euclidean Dan Manhattan Distance Dalam Identifikasi Wajah,” Semin. Nas. Inov. Teknol., pp. 219–224, 2021.

F. Purwaningtias, “Integrasi Transfer Learning pada Inception v3 untuk Identifikasi Otomatis Jenis Buah Tropis,” pp. 39–44, 2025.

S. A. Amiri and M. Rajabinasab, “Face Recognition using Color and Edge Orientation Difference Histogram,” J. AI Data Min., vol. 9, no. 1, pp. 31–38, 2021, doi: https://doi.org/10.22044/jadm.2020.9376.2072.

Sunardi, A. Fadlil, and N. Tristanti, “Comparative analysis of euclidean, manhattan, canberra, and squared chord methods in face recognition,” Rev. d’Intelligence Artif., vol. 37, no. 3, pp. 593–599, 2023, doi: 10.18280/ria.370308.

M. Ikhsan Al-Arrafi and A. Ramadhanu, “Implementasi Metode Algoritma Principal Component Analysis (Pca) Dan Algoritma K-Nearest Neighbor (Knn) Dalam Klasifikasi Buah Jambu Madu Jambu Merah Dan Manggis,” J. Sci. Soc. Res., vol. 8, no. 1, pp. 817–822, 2025, [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR