Siswanto, Klasifikasi Tingkat Kematangan Buah Berdasarkan Warna Dan Tekstur Menggunakan Metode K-Nearest Neighbor Dan Nearest Mean Classifier (NMC) 93 KLASIFIKASI TINGKAT KEMATANGAN BUAH BERDASARKAN WARNA DAN TEKSTUR MENGGUNAKAN METODE K-NEAREST NEIGHBOR DAN NEAREST MEAN CLASSIFIER (NMC) Irwan Siswanto 1 , Ema Utami 2 , Suwanto Raharjo 3 Magister Teknik Informatika , Universitas Amikom Yogyakarta 1,2,3 Email : irwan.siswanto@students.amikom.ac.id 1 ,ema.u@amikom.ac.id 2 ,wa2n@nrar.net 3 ABSTRAK Buah apel merupakan tanaman yang biasa tumbuh di iklim sub tropis, berdasarkan data yang dirilis oleh direktorat jenderal holtikultura kementrian pertanian tahun 2015, produk pertanian apel memiliki kontribusi yang cukup tinggi di tahun 2014. Hal ini ditunjukan bahwa buah apel di pulau Jawa telah diproduksi sebanyak 242.763 ton dari 249.915 ton produksi di Indonesia. Salah satu jenis apel yaitu apel manalagi, memiliki ciri yang berbeda dari apel- apel lainnya yaitu terdapat pada tingkat warna kematangan buah tersebut. dibutuhkan suatu teknologi yang dapat menentukan nilai tingkat akurasi dari pengklasifikasian kematangan buah apel manalagi sehingga memperoleh nilai yang konsisten. Teknologi saat ini memungkinkan untuk melakukan klasifikasi citra digital, Dan berdasarkan beberapa kelas berdasarkan mutu dan perlu dilakukan penelitian ini untuk mengimplementasikan dan menguji akurasi dari metode K-Nearest Neighbor (KNN) dan Nearest Mean Classifier (NMC) untuk klasifikasi tingkat kematangan buah apel berdasarkan karakteristik bentuk dan warna buah dengan harapan nilai akurasi metode NMC lebih dari 87% sehingga dapat membuktikan bahwa metode tersebut lebih unggul daripada metode KNN berdasarkan penelitian sebelumnya. Berdasarkan hasil pengujian diatas dapat diketahui Algoritma K-Nearest Neighbor dapat melakukan klasifikasi tingkat kematangan buah apel manalagi dengan tingkat nilai akurasi paling tinggi adalah dengan menggunakan fitur warna saja dan kombinasi fitur warna dan tekstur dengan masing-masing menggunakan 1-NN yang menghasilkan persentase kebenaran 73 persen. Hasil pengujian Akurasi yang diperoleh secara global menggunakan Nearest mean classifier menghasilkan tingkat akurasi sebanyak 70 persen. Kata Kunci: klasifikasi, apel manalagi, k-nearest neighbor, nearest mean classifier, fitur visual ABSTRACT The apple is a plant commonly grown in sub-tropical climate , based on data released by the Directorate General of horticulture Ministry of Agriculture in 2015, agricultural products apples have a high enough contribution in 2014. This indicated that the apple on Java island has produced as many as 242,763 tons from 249,915 tons of production in Indonesia. One type of apple, Manalagi apple, has a different characteristic from other apples, which is found in the color level of the fruit's maturity. we need a technology that can determine the value of the accuracy of the classification of the more mature apple, more so that it gets a consistent value. Current technology makes it possible to classify digital images , And based on several classes based on quality and this research needs to be done to implement and test the accuracy of the K-Nearest Neighbor (KNN) and Nearest Mean Classifier (NMC) methods for classification of apple maturity levels based on the characteristics of the shape and color of the fruit with the expectation of accuracy NMC method is more than 87% 93