Prosiding Annual Research Seminar 2019 Computer Science and ICT ISBN : 978-979-587-846-9 Vol.5 No.1 Annual Research Seminar (ARS) 2019 Fakultas Ilmu Komputer UNSRI ISBN : 978-979-587-846-9 Vol.5 No.1 Klasifikasi Tingkat Kematangan Buah Tomat Berdasarkan Fitur Warna Menggunakan K-Nearest Neighhbor Shinta Aprilisa Jurusan Magister Ilmu Komputer, Universitas Sriwijaya, Palembang, Indonesia shintaaprilisa97@gmail.com Sukemi Jurusan Magister Ilmu Komputer, Universitas Sriwijaya, Palembang, Indonesia sukemi@ilkom.unsri.ac.id Abstrak-Pada proses klasifikasi buah tomat dengan cara manual yaitu dengan menggunakan mata manusia merupakan hal yang sangat sulit dilakukan. Hal ini dibuktikan dengan tidak konsisten serta bersifat subyektif sehingga menyebabkan tingkat akurasi yang rendah. Oleh karena itu, untuk meningkatkan tingkat akurasi serta mengurangi sifat subyektifitas mata manusia, maka penelitian ini mengusulkan sebuah algoritma yang dapat digunakan untukk mengklasifikasi tingkat kematangan buah tomat yaitu dengan K-Nearest Neighbor berdasarkan kepada warna kulit yang ada pada buah tersebut. Nilai k yang digunakan pada penenlitian ini yaitu 1, 3, 5, 7, dan 9 untuk menguji coba pencarian jarak Euclidean distance pada citra dengan ukuran 512x512 piksel. Penelitian yang dilakukan membuktikan bahwa dengan jarak Euclidean k=3 memiliki nilai prosentase 92%. Berdasarkan tingkat akurasi yang dimiliki, fitur warna k=3 menunjukkan nilai k terbaik pada klasifikasi tingkat kematangan buah tomat. kata kunci-algoritma K-Nearest Neihbor (KNN), klasifikasi kematangan buah tomat. Abstract-In the classification process tomatoes by hand using the human eye is a very difficult thing to do. This is evidenced by inconsistent and are subjective, causing a low level of accuracy. Therefore, to improve the accuracy and reduce the subjectivity of the nature of the human eye, the study proposes an algorithm that can be used fatherly classify tomato fruit maturity level is by K-Nearest Neighbor based on the existing color on the fruit. K value used in this penenlitian namely 1, 3, 5, 7, and 9 to test the Euclidean distance search distance on the image with a size of 512x512 pixels. Research conducted proved that the Euclidean distance k = 3 has the percentage of 92%. Based on the level of accuracy that is owned, keywords-K-Nearest Neihbor algorithm (KNN), the classification of tomato fruit maturity. I. PENDAHULUAN Tanaman tomat merupakan komoditas hortikultura yang sangat dibutuhkan oleh masyarakat, semakin meningkatnya tingkat kesadaran manusia akan hidup sehat sehingga kebutuhan buah tomat dalam negeri juga meningkat [1]. Tomat sudah menjadi kebutuhan pokok penunjang pangan di Indonesia akan tetapi cara mengidentifikasi dan mendeteksi kematangan buah tomat yang dilakukan di suatu industri masih banyak menggunakan cara manual. Cara manual dilakukan berdasarkan pengamatan visual secara langsung pada buah yang akan diklasifikasi. Kelemahan pengklasifikasian manual sangat dipengaruhi subjektifitas operator sortir sehingga pada kondisi tertentu tidak konsisten proses pengklasifikasiannya dan parameter dari kematangan buah tomat tersebut pun juga masih manual sehingga proses distribusi tomat ke berbagai pasar masih teramat rancu [2]. Perkembangan teknologi informasi memungkinkan identifikasi buah berdasarkan ciri warna dengan bantuan komputer. Cara komputasi ini dilakukan dengan pengamatan visual tidak langsung, dengan menggunakan kamera sebagai pengolah citra dari gambar yang kemudian diolah dengan menggunakan perangkat lunak komputer [3]. Teknik pengolahan citra digital digunakan untuk mempermudah dan mempercepat proses pengujian tingkat kematangan tomat. Inputan pada proses klasifikasi adalah karakteristik nilai fitur citra yang didapatkan dari tahap ekstraksi fitur warna menggunakan mean RGB [4]. Metode klasifikasi untuk mengetahui tingkat kematangan tomat karakteristik warna adalah algoritma K-Nearest Neighbor. Trisnaningtyas, dkk [5] dalam penelitiannya menyebutkan bahwa metode K- Nearest Neighbor merupakan metode klasifikasi data yang cukup sederhana dengan akurasi yang baik yaitu bekerja berdasarkan pada jarak terdekat dari data training ke data testing dengan pemeriksaan jarak Cityblock Distance dan Euclidean Distance. 170 brought to you by CORE View metadata, citation and similar papers at core.ac.uk provided by Repository Proceeding Seminar (Fakultas Ilmu Komputer, Universitas Sriwijaya)