Komparasi ANN dan KNN untuk Klasifikasi Kualitas Tomat Berdasarkan HSV dan GLCM

Abstract

Penelitian ini bertujuan membandingkan kinerja algoritma Artificial Neural Network (ANN) dan K-Nearest Neighbors (KNN) dalam mengklasifikasikan kualitas tomat menjadi empat kategori, yaitu mentah, matang, tua, dan rusak. Tahap prapemrosesan menggunakan metode GrabCut dengan algoritma Largest Contour sebagai fallback guna mengisolasi objek dari latar belakang secara akurat. Proses ekstraksi fitur menggabungkan parameter ruang warna Hue, Saturation, Value (HSV) dan analisis tekstur Gray-Level Co-occurrence Matrix (GLCM) invarian rotasi dari empat sudut orientasi. Kombinasi kedua domain tersebut menghasilkan sepuluh fitur utama yang selanjutnya dinormalisasi menggunakan Z-Score dan diseimbangkan melalui metode Synthetic Minority Over-sampling Technique (SMOTE) guna mencegah bias terhadap kelas mayoritas. Dataset yang digunakan bersumber dari IEEE MBL-CLS (Kaggle) dan terdiri dari 7.226 citra tomat yang terbagi ke dalam empat kelas kualitas dengan distribusi yang tidak merata. Berdasarkan pengujian yang dilakukan, model ANN menunjukkan keunggulan dengan tingkat akurasi mencapai 89,63% pada konfigurasi 128 neuron, pembagian data latih dan uji 80:20, serta dropout 20%. Di sisi lain, model KNN dengan nilai ketetanggaan K=1 mencapai akurasi 88,10% menggunakan metrik jarak Euclidean. Analisis confusion matrix mengungkapkan bahwa kedua model mengalami kesulitan dalam memisahkan kelas tomat rusak dari kelas tomat tua akibat kemiripan profil fitur visual dan tekstur. Kinerja ini menegaskan bahwa optimalisasi hyperparameter pada pendekatan jaringan saraf tiruan mampu memberikan kapabilitas pemetaan fitur nonlinier yang lebih tinggi dibandingkan algoritma berbasis jarak untuk klasifikasi citra multikelas pada industri pertanian.